CN116076028A - 基于多部分神经网络的信道状态信息反馈 - Google Patents

Abstract

本公开的各个方面一般涉及无线通信。在一些方面，第一设备可生成基于多部分神经网络的信道状态信息反馈(CSF)消息，该基于多部分神经网络的CSF消息包括：指示第二部分的内容的第一部分和第二部分；以及向第二设备传送该基于多部分神经网络的CSF。提供了众多其他方面。

Description

基于多部分神经网络的信道状态信息反馈

相关申请的交叉引用

本专利申请要求于2020年8月18日提交的题为“MULTI-PART NEURAL NETWORKBASED CHANNEL STATE INFORMATION FEEDBACK(基于多部分神经网络的信道状态信息反馈)”并转让给本申请受让人的希腊专利申请No.20200100489的优先权。该在先申请的公开内容被认为是本专利申请的一部分并且通过援引被纳入到本专利申请中。

公开领域

本公开的各方面一般涉及无线通信，并且涉及用于使用基于神经网络的信道状态信息反馈的技术和装置。

背景技术

无线通信系统被广泛部署以提供诸如电话、视频、数据、消息接发、和广播等各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如，带宽、发射功率等)来支持与多个用户通信的多址技术。此类多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统、以及长期演进(LTE)。LTE/高级LTE是对由第三代伙伴项目(3GPP)颁布的通用移动电信系统(UMTS)移动标准的增强集。

无线网络可包括能够支持数个用户装备(UE)通信的数个基站(BS)。UE可经由下行链路和上行链路与BS进行通信。“下行链路”(或“前向链路”)指从BS到UE的通信链路，而“上行链路”(或“反向链路”)指从UE到BS的通信链路。如将在本文中更详细地描述的，BS可被称为B节点、gNB、接入点(AP)、无线电头端、传送接收点(TRP)、新无线电(NR)BS、5G B节点等等。

以上多址技术已经在各种电信标准中被采纳以提供使得不同的用户装备能够在城市、国家、地区、以及甚至全球级别上进行通信的共同协议。NR(其还可被称为5G)是对由3GPP颁布的LTE移动标准的增强集。NR被设计成通过改善频谱效率、降低成本、改善服务、利用新频谱、以及与在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如，还被称为离散傅里叶变换扩展OFDM(DFT-s-OFDM)以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚集的其他开放标准更好地整合，来更好地支持移动宽带因特网接入。随着对移动宽带接入的需求持续增长，对于LTE、NR和其他无线电接入技术的进一步改进仍有用。

概述

在一些方面，一种由第一设备执行的无线通信方法包括：生成基于多部分神经网络的信道状态信息反馈(CSF)消息。基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该方法还包括向第二设备传送基于多部分神经网络的CSF。

在一些方面，一种由第二设备执行的无线通信方法包括从第一设备接收基于多部分神经网络的CSF消息。基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该方法还包括至少部分地基于第一部分来确定第二部分中指示的CSF。

在一些方面，一种用于无线通信的第一设备包括：存储器；以及耦合至该存储器的一个或多个处理器。该存储器和该一个或多个处理器被配置成生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该存储器和该一个或多个处理器还被配置成向第二设备传送基于多部分神经网络的CSF。

在一些方面，一种用于无线通信的第二设备包括：存储器以及耦合至该存储器的一个或多个处理器。该存储器和该一个或多个处理器被配置成从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该存储器和该一个或多个处理器还被配置成至少部分地基于第一部分来确定第二部分中指示的CSF。

在一些方面，一种存储用于无线通信的指令集的非瞬态计算机可读介质，该指令集包括一条或多条指令，该一条或多条指令在由第一设备的一个或多个处理器执行时使得第一设备：生成基于多部分神经网络的CSF消息。基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。用于无线通信的指令集包括一条或多条指令，该一条或多条指令在由第一设备的一个或多个处理器执行时进一步使得第一设备：向第二设备传送基于多部分神经网络的CSF。

在一些方面，一种存储用于无线通信的指令集的非瞬态计算机可读介质，该指令集包括一条或多条指令，该一条或多条指令在由第二设备的一个或多个处理器执行时使得第二设备：从第一设备接收基于多部分神经网络的CSF消息。基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。用于无线通信的指令集包括在由第二设备的一个或多个处理器执行时进一步使得第二设备进行以下操作的一条或多条指令：至少部分地基于第一部分来确定第二部分中指示的CSF。

在一些方面，一种用于无线通信的设备包括：用于生成基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该设备进一步包括用于向第二设备传送基于多部分神经网络的CSF的装置。

在一些方面，一种用于无线通信的设备包括：用于从第一设备接收基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。该设备进一步包括用于至少部分地基于第一部分来确定第二部分中指示的CSF的装置。

各方面一般包括如基本上在本文中参照附图和说明书描述并且如附图和说明书所解说的方法、装备、系统、计算机程序产品、非瞬态计算机可读介质、用户装备、基站、无线通信设备和/或处理系统。

前述内容已较宽泛地勾勒出根据本公开的示例的特征和技术优势以力图使下面的详细描述可被更好地理解。附加的特征和优势将在此后描述。所公开的概念和具体示例可容易地被用作修改或设计用于实施与本公开相同目的的其他结构的基础。此类等效构造并不背离所附权利要求书的范围。本文所公开的概念的特性在其组织和操作方法两方面以及相关联的优势将因结合附图来考虑以下描述而被更好地理解。每一附图是出于解说和描述目的来提供的，而非定义对权利要求的限定。

虽然在本公开中通过对一些示例的解说来描述各方面，但本领域技术人员将理解，此类方面可以在许多不同布置和场景中实现。本文中所描述的技术可使用不同的平台类型、设备、系统、形状、大小和/或封装布置来实现。例如，一些方面可经由集成芯片实施例或其他基于非模块组件的设备(例如，端用户设备、交通工具、通信设备、计算设备、工业装备、零售/购物设备、医疗设备、或启用人工智能的设备)来实现。各方面可在芯片级组件、模块组件、非模块组件、非芯片级组件、设备级组件、或系统级组件中实现。纳入所描述的各方面和特征的设备可包括用于实现和实践所要求保护并描述的各方面的附加组件和特征。例如，无线信号的传送和接收可包括用于模拟和数字目的的数个组件(例如，硬件组件，包括天线、射频链、功率放大器、调制器、缓冲器、处理器、交织器、加法器或求和器)。本文中所描述的各方面旨在可以在各种大小、形状和构成的各种各样的设备、组件、系统、分布式布置或端用户设备中实践。

附图简述

为了能详细理解本公开的以上陈述的特征，可参照各方面来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中解说。然而应注意，附图仅解说了本公开的某些典型方面，故不应被认为限定其范围，因为本描述可允许有其他等同有效的方面。不同附图中的相同附图标记可标识相同或相似的元素。

图1是解说根据本公开的无线网络的示例的示图。

图2是解说根据本公开的无线网络中基站与用户装备(UE)处于通信的示例的示图。

图3是解说根据本公开的使用先前存储的信道状态信息的编码设备和解码设备的示例的示图。

图4是解说根据本公开的与编码设备和解码设备相关联的示例的示图。

图5-8是解说根据本公开的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例的示图。

图9和10是解说根据本公开的与使用神经网络来编码数据集以进行上行链路通信相关联的示例过程的示图。

图11是解说根据各个方面的与基于多部分神经网络的信道状态信息反馈相关联的示例的示图。

图12和13是解说根据本公开的与基于多部分神经网络的信道状态信息反馈相关联的示例过程的示图。

图14和15是根据本公开的用于无线通信的装置的示例。

图16和17是解说用于采用处理系统的设备的硬件实现的示例的示图。

图18和19是解说用于设备的代码和电路系统的实现的示例的示图。

详细描述

在网络中操作的编码设备可测量参考信号等以向网络实体进行报告。例如，编码设备可在波束管理过程期间测量参考信号以实现信道状态反馈(CSF)，可测量来自服务蜂窝小区和/或邻居蜂窝小区的参考信号的收到功率，可测量无线电接入技术(例如，WiFi)间网络的信号强度，可测量用于检测环境内的一个或多个对象的位置的传感器信号等等。然而，向基站报告该信息可消耗通信和/或网络资源。

在本文描述的一些方面，编码设备(例如，UE、基站、传送接收点(TRP)、网络设备、近地轨道(LEO)卫星、中地轨道(MEO)卫星、对地静止轨道(GEO)卫星、高椭圆轨道(HEO)卫星等)可训练一个或多个神经网络以习得测得质量对个体参数的依赖性，通过该一个或多个神经网络的各个层(也被称为“运算”)来隔离这些测得质量，以及以限制压缩损失的方式来压缩测量。在一些方面，编码设备可使用被压缩的比特数量的性质来构建提取和压缩影响比特数量的每个特征(也称为维度)的过程。在一些方面，比特数量可与对一个或多个参考信号的采样相关联和/或可指示信道状态信息。例如，编码设备可使用与神经网络相关联的一个或多个提取操作和压缩操作来编码测量以产生经压缩测量，其中该一个或多个提取操作和压缩操作至少部分地基于这些测量的特征集。

编码设备可向网络实体(诸如服务器、TRP、另一UE、基站等)传送经压缩测量。尽管本文描述的示例引述基站作为解码设备，但解码设备可以是任何网络实体。该网络实体可被称为“解码设备”。

解码设备可使用与神经网络相关联的一个或多个解压缩操作和重构操作来解码经压缩测量。该一个或多个解压缩和重构操作可至少部分地基于经压缩数据集的特征集以产生经重构测量。解码设备可使用经重构测量作为信道状态信息反馈。

在一些方面，CSF的所报告参数可被编码在上行链路控制信息(UCI)中，并且被映射到物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)。编码设备可以使用取决于所使用的物理信道或CSF的频率粒度中的一者或多者而不同的编码格式。可以至少部分地基于信道状态信息(CSI)的有效载荷大小来使用不同的编码方案，该有效载荷大小可以随着CSI参考信号资源指示符(CRI)和秩索引(RI)的选择而变化。例如，针对预编码矩阵指示符(PMI)报告的码本大小可以针对不同的秩而有所不同。例如，码本大小可针对类型II CSI报告和子带PMI报告而显著地变化。附加地，一个码字可被用于至高达秩4的RI，而两个码字可被用于更高的秩。此外，CSF中所包括的信道质量指示符(CQI)参数的数目(其可以针对每个码字来报告)可以取决于对秩的选择而变化。

对于以宽带频率粒度映射到PUCCH的CSF消息，PMI和/或CQI有效载荷的变化(其取决于所选择的秩)可以小到可使用UCI中所有CSI参数的单个分组编码。gNB需要知晓UCI的有效载荷大小以尝试解码传输，因此可以用与最大UCI有效载荷大小(例如，对应于需要最大PMI和/或CQI开销的RI)和CSF的实际有效载荷大小之间的差异相对应的数个虚设比特来填充UCI。这固定了CSF消息的有效载荷大小，而与RI选择无关。然而，对于具有子带频率粒度的基于PUCCH的CSF以及基于PUSCH的CSF，总是将CSI报告填充成最坏情形UCI有效载荷大小可能以不必要的大开销消耗网络资源。

如本文所描述的，CSF消息可以被划分成多个部分(例如，多部分CSF消息)。第一部分可具有固定的有效载荷大小，并且可以由解码设备依赖于该固定的有效载荷大小来解码。第一部分可以指示第二部分的大小，该第二部分可具有可变的有效载荷大小。解码设备可以首先解码第一部分以获得CSF中的CSI参数子集，并且基于这些CSI参数，解码设备可以确定第二部分的有效载荷大小。解码设备随后可以解码第二部分以获得CSF消息的其余CSI参数。

对于具有类型I CSF的基于PUCCH的子带CSF消息和基于PUSCH的CSF消息，多部分CSF消息的第一部分可包括针对第一码字的对RI(如果报告的话)、CRI(如果报告的话)、CQI等的指示。当RI大于4时，多部分CSF消息的第二部分可包括针对第二码字的对PMI、CQI的指示等。

对于具有类型II CSF的基于PUSCH的CSF消息，多部分CSF的第一部分还可包括对每层的非零宽带幅度系数的数目的指示。非零宽带幅度系数是类型II码本的一部分，并且取决于系数是否为零，PMI有效载荷大小可以不同。

至少部分地基于编码设备传送如本文所描述的多部分CSF消息，编码设备可以节省原本会被用于传送具有固定大小的CSF消息的网络资源，该固定大小至少部分地基于CSF消息的最大可能大小。

以下参照附图更全面地描述本公开的各个方面。然而，本公开可用许多不同形式来实施并且不应解释为被限于本公开通篇给出的任何具体结构或功能。相反，提供这些方面是为了使得本公开将是透彻和完整的，并且其将向本领域技术人员完全传达本公开的范围。基于本文的教导，本领域技术人员应领会，本公开的范围旨在覆盖本文所披露的本公开的任何方面，不论其是与本公开的任何其他方面相独立地实现还是组合地实现的。例如，可使用本文中所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为本文中所阐述的本公开的各个方面的补充或者另外的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，本文中所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。

现在将参照各种装置和技术给出电信系统的若干方面。这些装置和技术将在以下详细描述中进行描述并在附图中由各种框、模块、组件、电路、步骤、过程、算法等(统称为“元素”)来解说。这些元素可使用硬件、软件、或其组合来实现。此类元素是实现成硬件还是软件取决于具体应用和加诸于整体系统上的设计约束。

应当注意，虽然各方面在本文可使用通常与5G或NR无线电接入技术(RAT)相关联的术语来描述，但本公开的各方面可被应用于其他RAT，诸如3G RAT、4G RAT、和/或在5G之后的RAT(例如，6G)。

图1是解说根据本公开的无线网络100的示例的示图。无线网络100可以是5G(NR)网络和/或LTE网络等等或者可包括其元件。无线网络100可包括数个基站110(示为BS110a、BS 110b、BS 110c、以及BS 110d)和其他网络实体。基站(BS)是与用户装备(UE)通信的实体并且还可被称为NR BS、B节点、gNB、5G B节点(NB)、接入点、传送接收点(TRP)等等。每个BS可为特定地理区域提供通信覆盖。在3GPP中，术语“蜂窝小区”可指BS的覆盖区域和/或服务该覆盖区域的BS子系统，这取决于使用该术语的上下文。

BS可以为宏蜂窝小区、微微蜂窝小区、毫微微蜂窝小区、和/或另一类型的蜂窝小区提供通信覆盖。宏蜂窝小区可覆盖相对较大的地理区域(例如，半径为数千米)，并且可允许由具有服务订阅的UE无约束地接入。微微蜂窝小区可覆盖相对较小的地理区域，并且可允许由具有服务订阅的UE无约束地接入。毫微微蜂窝小区可覆盖相对较小的地理区域(例如，住宅)，并且可允许由与该毫微微蜂窝小区有关联的UE(例如，封闭订户群(CSG)中的UE)有约束地接入。用于宏蜂窝小区的BS可被称为宏BS。用于微微蜂窝小区的BS可被称为微微BS。用于毫微微蜂窝小区的BS可被称为毫微微BS或家用BS。在图1中示出的示例中，BS 110a可以是用于宏蜂窝小区102a的宏BS，BS 110b可以是用于微微蜂窝小区102b的微微BS，并且BS 110c可以是用于毫微微蜂窝小区102c的毫微微BS。BS可支持一个或多个(例如，三个)蜂窝小区。术语“eNB”、“基站”、“NR BS”、“gNB”、“TRP”、“AP”、“B节点”、“5G NB”、和“蜂窝小区”在本文中可以可互换地使用。

在一些方面，蜂窝小区可以不必是驻定的，并且蜂窝小区的地理区域可根据移动BS的位置而移动。在一些方面，BS可通过各种类型的回程接口(诸如直接物理连接或虚拟网络、使用任何合适的传输网络)来彼此互连和/或互连至无线网络100中的一个或多个其他BS或网络节点(未示出)。

无线网络100还可包括中继站。中继站是能接收来自上游站(例如，BS或UE)的数据的传输并向下游站(例如，UE或BS)发送该数据的传输的实体。中继站也可以是能为其他UE中继传输的UE。在图1中示出的示例中，中继BS 110d可与宏BS 110a和UE 120d进行通信以促成BS 110a与UE 120d之间的通信。中继BS还可被称为中继站、中继基站、中继等。

无线网络100可以是包括不同类型的BS(诸如宏BS、微微BS、毫微微BS、中继BS等等)的异构网络。这些不同类型的BS可能具有不同的发射功率电平、不同的覆盖区域、以及对无线网络100中的干扰的不同影响。例如，宏BS可具有高发射功率电平(例如，5到40瓦)，而微微BS、毫微微BS和中继BS可具有较低发射功率电平(例如，0.1到2瓦)。

网络控制器130可耦合至BS集，并且可提供对这些BS的协调和控制。网络控制器130可以经由回程与各BS进行通信。这些BS还可经由无线或有线回程直接或间接地彼此通信。

UE 120(例如，120a、120b、120c)可分散遍及无线网络100，并且每个UE可以是驻定的或移动的。UE还可被称为接入终端、终端、移动站、订户单元、站、等等。UE可以是蜂窝电话(例如，智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板、相机、游戏设备、上网本、智能本、超级本、医疗设备或装备、生物测定传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能首饰(例如，智能戒指、智能手环))、娱乐设备(例如，音乐或视频设备、或卫星无线电)、交通工具组件或传感器、智能仪表/传感器、工业制造装备、全球定位系统设备、或者被配置成经由无线或有线介质通信的任何其他合适的设备。

一些UE可被认为是机器类型通信(MTC)设备、或者演进型或增强型机器类型通信(eMTC)UE。MTC和eMTC UE例如包括机器人、无人机、远程设备、传感器、仪表、监视器、和/或位置标签，其可与基站、另一设备(例如，远程设备)或某个其他实体进行通信。无线节点可以例如经由有线或无线通信链路来为网络(例如，广域网，诸如因特网或蜂窝网络)提供连通性或提供至该网络的连通性。一些UE可被认为是物联网(IoT)设备，和/或可被实现为NB-IoT(窄带物联网)设备。一些UE可被认为是客户端装备(CPE)。UE 120可被包括在外壳的内部，该外壳容纳UE 120的组件，诸如处理器组件和/或存储器组件。在一些方面，处理器组件和存储器组件可耦合在一起。例如，处理器组件(例如，一个或多个处理器)和存储器组件(例如，存储器)可操作耦合、通信耦合、电子耦合和/或电耦合。

一般而言，在给定的地理区域中可部署任何数目的无线网络。每个无线网络可支持特定的RAT，并且可在一个或多个频率上操作。RAT还可被称为无线电技术、空中接口等等。频率还可被称为载波、频率信道等等。每个频率可在给定的地理区域中支持单个RAT以避免不同RAT的无线网络之间的干扰。在一些情形中，可部署NR或5G RAT网络。

在一些方面，两个或更多个UE 120(例如，被示为UE 120a和UE 120e)可使用一个或多个侧链路信道来直接通信(例如，不使用基站110作为中介来彼此通信)。例如，UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、车联网(V2X)协议(例如，其可包括交通工具到交通工具(V2V)协议或交通工具到基础设施(V2I)协议)、和/或网状网络进行通信。在该情形中，UE 120可执行调度操作、资源选择操作、和/或在本文别处描述为如由基站110执行的其他操作。

无线网络100的设备可使用电磁频谱进行通信，该电磁频谱可基于频率或波长被细分成各种类别、频带、信道等。例如，无线网络100的设备可使用具有第一频率范围(FR1)的操作频带进行通信和/或可使用具有第二频率范围(FR2)的操作频带进行通信，第一频率范围(FR1)可跨越410MHz至7.125GHz，第二频率范围(FR2)可跨越24.25GHz至52.6GHz。FR1与FR2之间的频率有时被称为中频带频率。尽管FR1的一部分大于6GHz，但FR1通常被称为“亚6GHz频带”。类似地，尽管不同于由国际电信联盟(ITU)标识为“毫米波”频带的极高频率(EHF)频带(30GHz–300GHz)，FR2通常被称为“毫米波”频带。因此，除非特别另外声明，否则应理解，如果在本文中使用，术语“亚6GHz”等可广义地表示小于6GHz的频率、FR1内的频率、和/或中频带频率(例如，大于7.125GHz)。类似地，除非特别另外声明，否则应理解，如果在本文中使用，术语“毫米波”等可广义地表示EHF频带内的频率、FR2内的频率、和/或中频带频率(例如，小于24.25GHz)。可构想，FR1和FR2中所包括的频率可被修改，并且本文中所描述的技术适用于那些经修改的频率范围。

如图1中所示，UE 120可包括通信管理器140。如本文中他处更详细地描述的，通信管理器140可生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。通信管理器140还可向第二设备传送基于多部分神经网络的CSF。附加地或替换地，通信管理器140可执行本文中描述的一个或多个其他操作。

在一些方面，基站110可包括通信管理器150。如本文中他处更详细地描述的，通信管理器150可从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。通信管理器150可至少部分地基于第一部分来确定第二部分中指示的CSF。附加地或替换地，通信管理器150可执行本文中描述的一个或多个其他操作。

如以上所指示的，图1是作为示例来提供的。其他示例可不同于关于图1所描述的示例。

图2是解说根据本公开的无线网络100中基站110与UE 120处于通信的示例200的示图。基站110可装备有T个天线234a到234t，而UE 120可装备有R个天线252a到252r，其中一般而言T≥1且R≥1。

在基站110处，发射处理器220可从数据源212接收给一个或多个UE的数据，至少部分地基于从每个UE接收到的信道质量指示符(CQI)来为该UE选择一种或多种调制和编码方案(MCS)，至少部分地基于为每个UE选择的(诸)MCS来处理(例如，编码和调制)给该UE的数据，并提供针对所有UE的数据码元。发射处理器220还可处理系统信息(例如，针对半静态资源划分信息(SRPI))和控制信息(例如，CQI请求、准予、和/或上层信令)，并提供开销码元和控制码元。发射处理器220还可生成用于参考信号(例如，因蜂窝小区而异的参考信号(CRS)或解调参考信号(DMRS))和同步信号(例如，主同步信号(PSS)或副同步信号(SSS))的参考码元。发射(TX)多输入多输出(MIMO)处理器230可在适用的情况下对数据码元、控制码元、开销码元、和/或参考码元执行空间处理(例如，预编码)，并且可将T个输出码元流提供给T个调制器(MOD)232a到232t。每个调制器232可处理各自相应的输出码元流(例如，针对OFDM)以获得输出采样流。每个调制器232可进一步处理(例如，转换至模拟、放大、滤波、及上变频)输出采样流以获得下行链路信号。来自调制器232a至232t的T个下行链路信号可分别经由T个天线234a至234t被发射。

在UE 120处，天线252a到252r可接收来自基站110和/或其他基站的下行链路信号并且可分别向解调器(DEMOD)254a到254r提供收到信号。每个解调器254可调理(例如，滤波、放大、下变频、及数字化)收到信号以获得输入采样。每个解调器254可进一步处理输入采样(例如，针对OFDM)以获得收到码元。MIMO检测器256可获得来自所有R个解调器254a至254r的收到码元，在适用的情况下对这些收到码元执行MIMO检测，并且提供检出码元。接收处理器258可处理(例如，解调和解码)这些检出码元，将针对UE 120的经解码数据提供给数据阱260，并且将经解码的控制信息和系统信息提供给控制器/处理器280。术语“控制器/处理器”可指一个或多个控制器、一个或多个处理器或其组合。信道处理器可确定参考信号收到功率(RSRP)参数、收到信号强度指示符(RSSI)参数、参考信号收到质量(RSRQ)参数、和/或CQI参数等等。在一些方面，UE 120的一个或多个组件可被包括在外壳284中。

网络控制器130可包括通信单元294、控制器/处理器290和存储器292。网络控制器130可包括例如核心网中的一个或多个设备。网络控制器130可经由通信单元294来与基站110进行通信。

天线(例如，天线234a到234t和/或天线252a到252r)可包括一个或多个天线面板、天线群、天线振子集合、和/或天线阵列等等，或者可被包括在其内。天线面板、天线群、天线振子集合、和/或天线阵列可包括一个或多个天线振子。天线面板、天线群、天线振子集合、和/或天线阵列可包括共面天线振子集合和/或非共面天线振子集合。天线面板、天线群、天线振子集合、和/或天线阵列可包括单个外壳内的天线振子和/或多个外壳内的天线振子。天线面板、天线群、天线振子集合、和/或天线阵列可包括耦合至一个或多个传输和/或接收组件(诸如图2的一个或多个组件)的一个或多个天线振子。

在上行链路上，在UE 120处，发射处理器264可以接收和处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如，针对包括RSRP、RSSI、RSRQ、和/或CQI的报告)。发射处理器264还可生成用于一个或多个参考信号的参考码元。来自发射处理器264的码元可在适用的情况下由TX MIMO处理器266预编码，由调制器254a到254r进一步处理(例如，针对DFT-s-OFDM或CP-OFDM)，并且传送给基站110。在一些方面，UE 120的调制器和解调器(例如，MOD/DEMOD 254)可被包括在UE 120的调制解调器中。在一些方面，UE 120包括收发机。收发机可包括(诸)天线252、调制器和/或解调器254、MIMO检测器256、接收处理器258、发射处理器264、和/或TX MIMO处理器266的任何组合。收发机可以由处理器(例如，控制器/处理器280)和存储器282使用以执行本文中所描述的任何方法的各方面(例如，如参照图5-19所描述的)。

在基站110处，来自UE 120以及其他UE的上行链路信号可由天线234接收，由解调器232处理，在适用的情况下由MIMO检测器236检测，并由接收处理器238进一步处理以获得经解码的由UE 120发送的数据和控制信息。接收处理器238可将经解码的数据提供给数据阱239，并将经解码的控制信息提供给控制器/处理器240。基站110可包括通信单元244并且经由通信单元244与网络控制器130进行通信。基站110可包括调度器246以调度UE 120进行下行链路和/或上行链路通信。在一些方面，基站110的调制器和解调器(例如，MOD/DEMOD232)可被包括在基站110的调制解调器中。在一些方面，基站110包括收发机。收发机可包括(诸)天线234、调制器和/或解调器232、MIMO检测器236、接收处理器238、发射处理器220、和/或TX MIMO处理器230的任何组合。收发机可以由处理器(例如，控制器/处理器240)和存储器242使用以执行本文中所描述的任何方法的各方面(例如，如参照图5-19所描述的)。

基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2的(诸)任何其他组件可执行相关联的一种或多种技术，如本文中他处更详细地描述的。例如，基站110的控制器/处理器240、UE 120的控制器/处理器280、和/或图2的任何其他组件可执行或指导例如图8的过程800、图9的过程900、图12的过程1200、图13的过程1300、和/或如本文中所描述的其他过程的操作。存储器242和282可分别存储基站110和UE 120的数据和程序代码。在一些方面，存储器242和/或存储器282可包括：存储用于无线通信的一条或多条指令(例如，代码和/或程序代码)的非瞬态计算机可读介质。例如，该一条或多条指令在由基站110和/或UE 120的一个或多个处理器执行(例如，直接执行，或在编译、转换、和/或解读之后执行)时，可以使得该一个或多个处理器、UE 120、和/或基站110执行或指导例如图8的过程800、图9的过程900、图12的过程1200、图13的过程1300、和/或如本文中所描述的其他过程的操作。在一些方面，执行指令可包括运行指令、转换指令、编译指令、和/或解读指令等等。

在一些方面，编码设备(例如，UE 120)可包括用于生成基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；用于向第二设备传送基于多部分神经网络的CSF的装置等。附加地或替换地，UE120可包括用于执行本文所描述的一个或多个其他操作的装置。在一些方面，此类装置可包括通信管理器140。附加地或替换地，此类装置可包括结合图2所描述的UE 120的一个或多个其他组件，诸如控制器/处理器280、发射处理器264、TX MIMO处理器266、MOD 254、天线252、DEMOD 254、MIMO检测器256、接收处理器258等等。

在一些方面，解码设备(例如，UE 120、基站110等)可包括用于接收基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；用于至少部分地基于第一部分来确定第二部分中指示的CSF的装置等。附加地或替换地，基站110可包括用于执行本文所描述的一个或多个其他操作的装置。在一些方面，此类装置可包括通信管理器150。在一些方面，此类装置可以包括结合图2所描述的基站110的一个或多个其他组件，诸如天线234、DEMOD 232、MIMO检测器236、接收处理器238、控制器/处理器240、发射处理器220、TX MIMO处理器230、MOD 232、天线234等等。

尽管图2中的框被解说为不同的组件，但是以上关于这些框所描述的功能可用单个硬件、软件、或组合组件或者各种组件的组合来实现。例如，关于发射处理器264、接收处理器258和/或TX MIMO处理器266所描述的功能可由控制器/处理器280执行或在控制器/处理器280的控制下执行。

如以上所指示的，图2是作为示例来提供的。其他示例可不同于关于图2所描述的示例。

图3解说了根据本公开的使用先前存储的信道状态信息(CSI)的编码设备300和解码设备350的示例。图3示出了具有CSI实例编码器310、CSI序列编码器320和存储器330的编码设备300(例如，UE 120)。图3还示出了具有CSI序列解码器360、存储器370和CSI实例解码器380的解码设备350(例如，BS 110)。

在一些方面，编码设备300和解码设备350可利用CSI实例随时间(时间方面)或CSI实例序列的相关性来进行一系列信道估计。编码设备300和解码设备350可保存并使用先前存储的CSI，并仅编码和解码与先前实例的CSI改变。这可提供较少的CSI反馈开销并且提升性能。编码设备300还可以能够编码更准确的CSI，并且神经网络可以用更准确的CSI来训练。

如图3中所示，CSI实例编码器310可针对DL信道估计序列中的每一DL信道估计将CSI实例编码成中间经编码CSI。CSI实例编码器310(例如，前馈网络)可使用神经网络编码器权重θ。中间经编码CSI可被表示为

CSI序列编码器320(例如，长短期记忆(LSTM)网络)可确定来自存储器330的先前编码的CSI实例h(t-1)，并将该中间经编码CSIm(t)与该先前编码的CSI实例h(t-1)进行比较以确定经编码CSI中的改变n(t)。该改变n(t)可以是信道估计的一部分，该部分是新的并且可能未被解码设备350预测。此时的经编码CSI可由

表示。CSI序列编码器320可在物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)上提供该改变n(t)，并且编码设备300可在UL信道上将该改变(例如，指示该改变的信息)n(t)作为经编码CSI传送给解码设备350。因为该改变小于整个CSI实例，所以编码设备300可在UL信道上发送用于经编码CSI的较小有效载荷，同时将关于该改变的更详细信息包括在经编码CSI中。CSI序列编码器320可至少部分地基于中间经编码CSI m(t)和先前编码的CSI实例h(t-1)的至少一部分来生成经编码CSI h(t)。CSI序列编码器320可将经编码CSI h(t)保存在存储器330中。

CSI序列解码器360可在PUSCH或PUCCH上接收经编码CSI。CSI序列解码器360可确定仅CSI的改变n(t)作为经编码CSI被接收。CSI序列解码器360可至少部分地基于经编码CSI和来自存储器370的先前的中间经解码CSI实例h(t-1)的至少一部分以及该改变来确定中间经解码CSI m(t)。CSI实例解码器380可将中间经解码CSI m(t)解码成经解码CSI。CSI序列解码器360和CSI实例解码器380可使用神经网络解码器权重φ。中间经解码CSI可由

表示。CSI序列解码器360可至少部分地基于中间经解码CSI m(t)和先前解码的CSI实例h(t-1)的至少一部分来生成经解码CSI h(t)。解码设备350可根据经解码CSI h(t)来重构DL信道估计，并且经重构信道估计可被表示为

CSI序列解码器360可将经解码CSI h(t)保存在存储器370中。

因为该改变n(t)小于整个CSI实例，所以编码设备300可在UL信道上发送较小的有效载荷。例如，如果DL信道由于编码设备300的低多普勒或较少移动而与先前反馈几乎没有变化，则CSI序列编码器的输出可相当紧凑。以此方式，编码设备300可利用信道估计随时间的相关性。在一些方面，因为输出较小，所以编码设备300可将关于该改变的更详细信息包括在经编码CSI中。在一些方面，编码设备300可向解码设备350传送关于经编码CSI在时间上被编码(CSI改变)的指示(例如，标志)。替换地，编码设备300可传送关于经编码CSI是独立于任何先前编码的CSI反馈被编码的指示。解码设备350可在不使用先前解码的CSI实例的情况下解码经编码CSI。在一些方面，设备(其可包括编码设备300或解码设备350)可使用CSI序列编码器和CSI序列解码器来训练神经网络模型。

在一些方面，CSI可以是信道估计(被称为信道响应)H和干扰N的函数。可存在多种传达H和N的方式。例如，编码设备300可将CSI编码为N^-1/2H。编码设备300可单独编码H和N。编码设备300可单独地对H和N进行部分编码，并且随后联合编码这两个经部分编码的输出。单独编码H和N可能是有利的。干扰和信道变动可在不同时间尺度上发生。在低多普勒场景中，信道可以是稳定的，但干扰可能由于话务或调度器算法而仍然变化较快。在高多普勒场景中，信道可比UE的调度器编群更快地变化。在一些方面，设备(其可包括编码设备300或解码设备350)可使用单独编码的H和N来训练神经网络模型。

在一些方面，经重构DL信道

可如实反映DL信道H，并且这可被称为显式反馈。在一些方面，

可仅捕获解码设备350推导秩和预编码所需的信息。CQI可被单独反馈。在时间编码的场景中，CSI反馈可被表达为m(t)或n(t)。类似于类型II CSI反馈，m(t)可被构造为秩索引(RI)、波束索引、以及表示幅度或相位的系数的级联。在一些方面，m(t)可以是实值向量的经量化版本。波束可被预定义(并非通过训练获得)，或者可以是训练的一部分(例如，θ和φ的一部分并被传达给编码设备300或解码设备350)。

在一些方面，解码设备350和编码设备300可维持多个编码器和解码器网络，每个编码器和解码器网络以不同的有效载荷大小为目标(以实现不同的准确性对UL开销折衷)。对于每一CSI反馈，取决于重构质量和上行链路预算(例如，PUSCH有效载荷大小)，编码设备300可选择或者解码设备350可指令编码设备300选择诸编码器之一来构建经编码CSI。编码设备300可至少部分地基于编码设备300所选择的编码器来发送编码器的索引连同CSI。类似地，解码设备350和编码设备300可维持多个编码器和解码器网络以应对不同的天线几何形状和信道状况。注意，尽管一些操作是针对解码设备350和编码设备300来描述的，但这些操作也可由另一设备来执行，作为编码器和解码器权重和/或结构的预配置的一部分。

如以上所指示的，图3可以作为示例来提供。其他示例可不同于关于图3所描述的示例。

图4是解说根据本公开的与编码设备和解码设备相关联的示例400的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对数据执行一个或多个操作以压缩该数据。解码设备(例如，基站110、解码设备350等)可被配置成解码经压缩数据以确定信息。

如本文所使用的，神经网络的“层”被用于表示对输入数据的操作。例如，卷积层、全连通层等表示对输入到层中的数据的相关联的操作。“卷积AxB操作”是指将数个输入特征A转换为数个输出特征B的操作。“内核大小”是指在一维度中被组合的毗邻系数的数目。

如本文所使用的，“权重”被用于表示在各层中用于组合输入数据的各个行和/或列的操作中使用的一个或多个系数。例如，全连通层操作可以具有输出y，该输出y至少部分地基于输入矩阵x与权重A(其可以是矩阵)的乘积与偏置值B(其可以是矩阵)之和来确定。术语“权重”在本文中可被用于一般地指代权重和偏置值两者。

如示例400中所示，编码设备可对样本执行卷积操作。例如，编码设备可接收被构造为2x64x32数据集的比特集，其指示用于(例如，与多径定时偏移相关联的)抽头特征和(例如，与编码设备的不同天线相关联的)空间特征的IQ采样。卷积操作可以是针对数据结构的具有内核大小为3x3的2x2操作。卷积操作的输出可被输入到批量归一化(BN)层，继之以LeakyReLu激活，从而给出具有尺寸2x64x32的输出数据集。编码设备可执行平坦化操作以将比特平坦化成4096比特向量。编码设备可将具有尺寸4096xM的全连通操作应用于4096比特向量以输出M比特的有效载荷。编码设备可将M比特的有效载荷传送到解码设备。

解码设备可将具有尺寸Mx4096的全连通操作应用于M比特有效载荷以输出4096比特向量。解码设备可将4096比特向量重塑为具有尺寸2x64x32。解码设备可对经重塑的比特向量应用一个或多个精化网络(RefineNet)操作。例如，RefineNet操作可包括：应用2x8卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为8x64x32的输出数据集；应用8x16卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为16x64x32的输出数据集；和/或应用16x2卷积操作(例如，具有内核大小为3和3)，其输出被输入到BN层、继之以LeakyReLU激活，其产生具有尺寸为2x64x32的输出数据集。解码设备还可应用具有内核大小为3和3的2x2卷积操作以生成经解码和/或经重构输出。

如上所指示的，图4仅是作为示例来提供的。其他示例可不同于关于图4所描述的示例。

如本文中所描述的，在网络中进行操作的编码设备可测量参考信号等以向解码设备进行报告。例如，UE可在波束管理过程期间测量参考信号以报告CSF，可测量来自服务蜂窝小区和/或邻居蜂窝小区的参考信号的收到功率，可测量无线电接入技术(例如，WiFi)间网络的信号强度，可测量用于检测环境内的一个或多个对象的位置的传感器信号等等。然而，向网络实体报告此类信息可消耗通信和/或网络资源。

在本文中所描述的一些方面，编码设备(例如，UE)可训练一个或多个神经网络以习得测得质量对个体参数的依赖性，通过该一个或多个神经网络的各个层(也被称为“操作”)来隔离这些测得质量，以及以限制压缩损失的方式来压缩测量。

在一些方面，编码设备可使用被压缩的比特数量的性质来构建提取和压缩影响比特数量的每个特征(也称为维度)的过程。在一些方面，比特数量可与对一个或多个参考信号的采样相关联和/或可指示信道状态信息。

至少部分地基于使用神经网络来编码和解码数据集以进行上行链路通信，编码设备可通过减小的有效载荷来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。

图5是解说根据本公开的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例500的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站110、解码设备350等)可被配置成解码经压缩样本以确定信息，诸如CSF。

在一些方面，编码设备可标识要压缩的特征。在一些方面，编码设备可在与要压缩的特征相关联的第一维度中执行第一类型操作。编码设备可在其他维度中(例如，在所有其他维度中)执行第二类型操作。例如，编码设备可在第一维度上执行全连通操作并在所有其他维度中执行卷积(例如，逐点卷积)。

在一些方面，附图标记标识包括多个神经网络层和/或操作的操作。编码设备和解码设备的神经网络可由一个或多个所引述的操作的级联来形成。

如由附图标记505所示，编码设备可对数据执行空间特征提取。如由附图标记510所示，编码设备可对数据执行抽头域特征提取。在一些方面，编码设备可在执行空间特征提取之前执行抽头域特征提取。在一些方面，提取操作可包括多个操作。例如，多个操作可包括可被激活或可以不活跃的一个或多个卷积操作、一个或多个全连通操作等。在一些方面，提取操作可包括残差神经网络(ResNet)操作。

如由附图标记515所示，编码设备可压缩已经被提取的一个或多个特征。在一些方面，压缩操作可包括一个或多个操作，诸如一个或多个卷积操作、一个或多个全连通操作等。在压缩之后，输出的比特计数可小于输入的比特计数。

如由附图标记520所示，编码设备可执行量化操作。在一些方面，编码设备可在平坦化压缩操作的输出和/或在平坦化该输出后执行全连通操作之后执行量化操作。

如由附图标记525所示，编码设备可执行特征解压缩。如由附图标记530所示，解码设备可执行抽头域特征重构。如由附图标记535所示，解码设备可执行空间特征重构。在一些方面，解码设备可在执行抽头域特征重构之前执行空间特征重构。在重构操作之后，解码设备可输出编码设备的输入的经重构版本。

在一些方面，解码设备可按与编码设备所执行的操作相反的顺序来执行操作。例如，如果编码设备遵循操作(a,b,c,d)，则解码设备可遵循反向操作(D,C,B,A)。在一些方面，解码设备可执行与编码设备的操作完全对称的操作。这可减少在UE处进行神经网络配置所需的比特数。在一些方面，解码设备可执行除了编码设备的操作之外的附加操作(例如，卷积操作、全连通操作、ResNet操作等)。在一些方面，解码设备可执行与编码设备的操作不对称的操作。

至少部分地基于编码设备使用神经网络来编码数据集以进行上行链路通信，编码设备(例如，UE)可通过减小的有效载荷来传送CSF。这可节省原本可能已经被用于传送如由编码设备采样的完整数据集的网络资源。

如上所指示的，图5仅是作为示例来提供的。其他示例可不同于关于图5所描述的示例。

图6是解说根据本公开的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例600的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站110、解码设备350等)可被配置成解码经压缩样本以确定信息，诸如CSF。

如由示例600所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。

编码设备可执行空间特征提取、短时间(抽头)特征提取等。在一些方面，这可通过使用1维卷积操作来实现，该1维卷积操作在空间维度中是全连通的(以提取空间特征)并且在抽头维度中是具有小内核大小(例如，3)的简单卷积(以提取短抽头特征)。来自该64xW的1维卷积操作的输出可以是Wx64矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化空间特征和/或时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个1维卷积操作可包括：具有内核大小为3的Wx256卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生尺寸为256x64的输出数据集；具有内核大小为3的256x512卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生具有尺寸为512x64的输出数据集；具有内核大小为3的512xW卷积操作，其输出具有尺寸为Wx64的BN数据集。来自该一个或多个ResNet操作的输出可以是Wx64矩阵。

编码设备可对来自一个或多个ResNet操作的输出执行WxV卷积操作。WxV卷积操作可包括逐点(例如，逐抽头)卷积操作。WxV卷积操作可针对每一抽头将空间特征压缩成减小的维度。WxV卷积操作具有W个特征的输入和V个特征的输出。来自WxV卷积操作的输出可以是Vx64矩阵。

编码设备可执行平坦化操作以将Vx64矩阵平坦化成64V元素向量。编码设备可执行64VxM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供越空传送到解码设备。编码设备可在越空传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行Mx64V全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64V元素向量重塑成2维Vx64矩阵。解码设备可对来自重塑操作的输出执行VxW(具有为1的内核)卷积操作。VxW卷积操作可包括逐点(例如，逐抽头)卷积操作。VxW卷积操作可针对每一抽头从减小的维度解压缩空间特征。VxW卷积操作具有V个特征的输入和W个特征的输出。来自VxW卷积操作的输出可以是Wx64矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，以避免应用1维卷积操作)、通过多个卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是Wx64矩阵。

解码设备可执行空间和时间特征重构。在一些方面，这可通过使用1维卷积操作来实现，该1维卷积操作在空间维度中是全连通的(以重构空间特征)并且在抽头维度中是具有小内核大小(例如，3)的简单卷积(以重构短抽头特征)。来自64xW卷积操作的输出可以是64x64矩阵。

在一些方面，M、W和/或V的值可以是可配置的，以调整特征的权重、有效载荷大小等。

如上所指示的，图6仅是作为示例来提供的。其他示例可不同于关于图6所描述的示例。

图7是解说根据本公开的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例700的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站110、解码设备350等)可被配置成解码经压缩样本以确定信息，诸如CSF。如由示例700所示，特征可按顺序被压缩和解压缩。例如，编码设备可提取并压缩与输入相关联的特征以产生有效载荷，并且随后解码设备可提取并压缩与有效载荷相关联的特征以重构输入。编码和解码操作可以是对称的(如所示出的)或非对称的。

如由示例700所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为256x64的数据集。编码设备可将数据重塑成(64x64x4)数据集。

编码设备可执行2维64x128卷积操作(具有内核大小为3和1)。在一些方面，64x128卷积操作可执行与解码设备天线维度相关联的空间特征提取、与解码设备(例如，基站)天线维度相关联的短时间(抽头)特征提取等。在一些方面，这可通过使用2D卷积层来实现，该2D卷积层在解码设备天线维度中是全连通的、在抽头维度中具有小内核大小(例如，3)以及在编码设备天线维度中具有小内核大小(例如，1)的简单卷积操作。来自64xW卷积操作的输出可以是尺寸为(128x64x4)的矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与解码设备相关联的空间特征和/或与解码设备相关联的时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个2维卷积操作可包括：具有内核大小为3和1的Wx2W卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生尺寸为2Wx64xV的输出数据集；具有内核大小为3和1的2Wx4W卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生具有尺寸为4Wx64xV的输出数据集；具有内核大小为3和1的4WxW卷积操作，其输出具有尺寸为(128x64x4)的BN数据集。来自该一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。

编码设备可对来自该一个或多个ResNet操作的输出执行2维128xV卷积操作(具有内核大小为1和1)。128xV卷积操作可包括逐点(例如，逐抽头)卷积操作。WxV卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(4x64xV)的矩阵。

编码设备可执行2维4x8卷积操作(具有内核大小为3x1)。在一些方面，4x8卷积操作可执行与编码设备天线维度相关联的空间特征提取、与编码设备天线维度相关联的短时间(抽头)特征提取等。来自4x8卷积操作的输出可以是尺寸为(8x64xV)的矩阵。

编码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步精化与编码设备相关联的空间特征和/或与编码设备相关联的时间特征。在一些方面，ResNet操作可包括与特征相关联的多个操作。例如，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的矩阵。

编码设备可对来自该一个或多个ResNet操作的输出执行2维8xU卷积操作(具有内核大小为1和1)。8xU卷积操作可包括逐点(例如，逐抽头)卷积操作。8xU卷积操作可针对每一抽头将与解码设备相关联的空间特征压缩成减小的维度。来自128xV卷积操作的输出可以是尺寸为(Ux64xV)的矩阵。

编码设备可执行平坦化操作以将尺寸为(Ux64xV)的矩阵平坦化成64UV元素向量。编码设备可执行64UVxM全连通操作以将2维空间-时间特征数据集进一步压缩成大小为M的低维度向量以供越空传送到解码设备。编码设备可在越空传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行Mx64UV全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将64UV元素向量重塑成尺寸为(Ux64xV)的矩阵。解码设备可对来自重塑操作的输出执行2维Ux8(具有内核为1,1)卷积操作。Ux8卷积操作可包括逐点(例如，逐抽头)卷积操作。Ux8卷积操作可针对每一抽头从减小的维度解压缩空间特征。来自Ux8卷积操作的输出可以是尺寸为(8x64xV)的数据集。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与编码设备相关联的空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是尺寸为(8x64xV)的数据集。

解码设备可执行2维8x4卷积操作(具有内核大小为3和1)。在一些方面，8x4卷积操作可执行编码设备天线维度中的空间特征重构、以及短时间特征重构等。来自8x4卷积操作的输出可以是尺寸为(Vx64x4)的数据集。

解码设备可对来自2维8x4卷积操作的输出执行2维Vx128(具有内核为1)卷积操作以重构与解码设备相关联的抽头特征和空间特征。Vx128卷积操作可包括逐点(例如，逐抽头)卷积操作。Vx128卷积操作可针对每一抽头从减小的维度解压缩与解码设备天线相关联的空间特征。来自Ux8卷积操作的输出可以是尺寸为(128x64x4)的矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可进一步解压缩与解码设备相关联的空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)2维卷积操作、跳过连接(例如，以避免应用2维卷积操作)、通过多个2维卷积操作的路径与通过跳过连接的路径的求和操作等。来自该一个或多个ResNet操作的输出可以是尺寸为(128x64x4)的矩阵。

解码设备可执行2维128x64卷积操作(具有内核大小为3x1)。在一些方面，128x64卷积操作可执行与解码设备天线维度相关联的空间特征重构、短时间特征重构等。来自128x64卷积操作的输出可以是尺寸为(64x64x4)的数据集。

在一些方面，M、V和/或U的值可以是可配置的，以调整特征的权重、有效载荷大小等。例如，M的值可以是32、64、128、256或512，V的值可以是16，和/或U的值可以是1。

如上所指示的，图7仅是作为示例来提供的。其他示例可不同于关于图7所描述的示例。

图8是解说根据本公开的与使用神经网络来编码和解码数据集以进行上行链路通信相关联的示例800的示图。编码设备(例如，UE 120、编码设备300等)可被配置成对经由编码设备的一个或多个天线接收的样本(例如，数据)执行一个或多个操作以压缩这些样本。解码设备(例如，基站110、解码设备350等)可被配置成解码经压缩样本以确定信息，诸如CSF。编码设备和解码设备操作可以是非对称的。换言之，解码设备可具有比解码设备更多数目的层。

如由示例800所示，编码设备可从天线接收采样。例如，编码设备可至少部分地基于天线数目、每天线的样本数目、以及抽头特征来接收尺寸为64x64的数据集。

编码设备可执行64xW卷积操作(具有内核大小为1)。在一些方面，64xW卷积操作在天线中可以是全连通的、在抽头中可以是卷积等等。来自64xW卷积操作的输出可以是Wx64矩阵。编码设备可执行一个或多个WxW卷积操作(具有内核大小为1或3)。来自该一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(具有内核大小为1)。在一些方面，一个或多个WxW卷积操作可执行空间特征提取、短时间(抽头)特征提取等。在一些方面，WxW卷积操作可以是一系列1维卷积操作。

编码设备可执行平坦化操作以将Wx64矩阵平坦化成64W元素向量。编码设备可执行4096xM全连通操作以将空间-时间特征数据集进一步压缩成大小为M的低维度向量以供越空传送到解码设备。编码设备可在越空传送大小为M的低维度向量之前执行量化以针对大小为M的低维度向量将对传输的采样映射成离散值。

解码设备可执行4096xM全连通操作以将大小为M的低维度向量解压缩成空间-时间特征数据集。解码设备可执行重塑操作以将6W元素向量重塑成Wx64矩阵。

解码设备可执行一个或多个ResNet操作。该一个或多个ResNet操作可解压缩空间特征和/或时间特征。在一些方面，ResNet操作可包括多个(例如，3个)1维卷积操作、跳过连接(例如，在ResNet的输入与ResNet的输出之间以避免应用1维卷积操作)、通过多个1维卷积操作的路径与通过跳过连接的路径的求和操作等。在一些方面，多个1维卷积操作可包括：具有内核大小为3的Wx256卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生尺寸为256x64的输出数据集；具有内核大小为3的256x512卷积操作，其输出被输入到BN层，继之以LeakyReLU激活，其产生具有尺寸为512x64的输出数据集；以及具有内核大小为3的512xW卷积操作，其输出具有尺寸为Wx64的BN数据集。来自该一个或多个ResNet操作的输出可以是Wx64矩阵。

解码设备可执行一个或多个WxW卷积操作(具有内核大小为1或3)。来自该一个或多个WxW卷积操作的输出可以是Wx64矩阵。编码设备可执行卷积操作(具有内核大小为1)。在一些方面，WxW卷积操作可执行空间特征重构、短时间(抽头)特征重构等。在一些方面，WxW卷积操作可以是一系列1维卷积操作。

编码设备可执行Wx64卷积操作(具有内核大小为1)。在一些方面，Wx64卷积操作可以是1维卷积操作。来自64xW卷积操作的输出可以是64x64矩阵。

在一些方面，M和/或W的值可以是可配置的，以调整特征的权重、有效载荷大小等。

如上所指示的，图8仅是作为示例来提供的。其他示例可不同于关于图8所描述的示例。

图9是解说根据本公开的例如由第一设备执行的示例过程900的示图。示例过程1400是其中第一设备(例如，编码设备、UE 120、图14的装置1400等等)执行与使用神经网络来编码数据集相关联的操作的示例。

如图9中所示，在一些方面，过程900可包括使用与神经网络相关联的一个或多个提取操作和压缩操作来对数据集进行编码以产生经压缩数据集，该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集(框910)。例如，第一设备(例如，使用编码组件1412)可使用与神经网络相关联的一个或多个提取操作和压缩操作来对数据集进行编码以产生经压缩数据集，该一个或多个提取操作和压缩操作至少部分地基于该数据集的特征集，如以上所描述的。

如图9中进一步所示，在一些方面，过程900可包括向第二设备传送经压缩数据集(框920)。例如，第一设备(例如，使用传输组件1404)可向第二设备传送经压缩数据集，如以上所描述的。

过程900可包括附加方面，诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，数据集至少部分地基于对一个或多个参考信号的采样。

在第二方面，单独地或与第一方面相结合地，向第二设备传送解压缩数据集包括向第二设备传送信道状态信息反馈。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，过程900包括标识数据集的特征集，其中该一个或多个提取操作和压缩操作包括：在与该数据集的该特征集中的一特征相关联的维度中执行的第一类型操作、以及在与该数据集的该特征集合中的其他特征相关联的其余维度中执行的第二类型操作，该第二类型操作不同于该第一类型操作。

在第四方面，单独地或与第一到第三方面中的一者或多者相结合地，第一类型操作包括一维全连通层操作，并且第二类型操作包括卷积操作。

在第五方面，单独地或与第一到第四方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括包含以下一者或多者的多个操作：卷积操作、全连通层操作、或者残差神经网络操作。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括针对数据集的特征集中的第一特征执行的第一提取操作和第一压缩操作、以及针对数据集的特征集中的第二特征执行的第二提取操作和第二压缩操作。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，过程900包括对在执行该一个或多个提取操作和压缩操作之后输出的中间数据集执行一个或多个附加操作。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，该一个或多个附加操作包括以下一者或多者：量化操作、平坦化操作、或者全连通操作。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，数据集的特征集合包括以下一者或多者：空间特征、或者抽头域特征。

在第十方面，单独地或与第一至第九方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括以下一者或多者：使用一维卷积操作的空间特征提取、使用一维卷积操作的时间特征提取、用于精化所提取空间特征的残差神经网络操作、用于精化所提取时间特征的残差神经网络操作、用于压缩所提取空间特征的逐点卷积操作、用于压缩所提取时间特征的逐点卷积操作、用于平坦化所提取空间特征的平坦化操作、用于平坦化所提取时间特征的平坦化操作、或者用于将所提取时间特征或所提取空间特征中的一者或多者压缩成低维度向量以供传输的压缩操作。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括：与关联于第二设备的一个或多个特征相关联的第一特征提取操作、用于对关联于第二设备的一个或多个特征进行压缩的第一压缩操作、与关联于第一设备的一个或多个特征相关联的第二特征提取操作、以及用于对关联于第一设备的一个或多个特征进行压缩的第二压缩操作。

尽管图9示出了过程900的示例框，但在一些方面，过程900可包括与图9中所描绘的框相比附加的框、较少的框、不同的框或不同地布置的框。附加地或替换地，过程900的两个或更多个框可并行执行。

图10是解说根据本公开的例如由第二设备执行的示例过程1000的示图。示例过程1000是其中第二设备(例如，解码设备、基站110、图15的装置1500等等)执行与使用神经网络来解码数据集相关联的操作的示例。

如图10中所示，在一些方面，过程1000可包括从第一设备接收经压缩数据集(框1010)。例如，第二设备(例如，使用图15的接收组件1502)可从第一设备接收经压缩数据集，如上所述。

如图10中进一步所示，在一些方面，过程1000可包括使用与神经网络相关联的一个或多个解压缩操作和重构操作来对该经压缩数据集进行解码以产生经重构数据集，该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集(框1020)。例如，第二设备(例如，使用解码组件1508)可使用与神经网络相关联的一个或多个解压缩操作和重构操作来解码该经压缩数据集以产生经重构数据集，该一个或多个解压缩操作和重构操作至少部分地基于该经压缩数据集的特征集，如以上所描述的。

过程1000可包括附加方面，诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，使用该一个或多个解压缩操作和重构操作来解码经压缩数据集包括：至少部分地基于假定第一设备使用与该一个或多个解压缩操作和重构操作对称的操作集生成该经压缩数据集来执行该一个或多个解压缩操作和重构操作，或者至少部分地基于假定第一设备使用与该一个或多个解压缩操作和重构操作不对称的操作集生成该经压缩数据集来执行该一个或多个解压缩操作和重构操作。

在第二方面，单独地或与第一方面相结合地，经压缩数据集至少部分地基于第一设备对一个或多个参考信号的采样。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，接收经压缩数据集包括接收来自第一设备的信道状态信息反馈。

在第四方面，单独地或与第一至第三方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括：在与经压缩数据集的特征集中的一特征相关联的维度中执行的第一类型操作、以及在与经压缩数据集的特征集中的其他特征相关联的其余维度中执行的第二类型操作，该第二类型操作不同于该第一类型操作。

在第五方面，单独地或与第一至第四方面中的一者或多者相结合地，第一类型操作包括一维全连通层操作，并且第二类型操作包括卷积操作。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，该一个或多个提取操作和压缩操作包括包含以下一者或多者的多个操作：卷积操作、全连通层操作、或者残差神经网络操作。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括针对经压缩数据集的特征集中的第一特征执行的第一操作、以及针对经压缩数据集的特征集中的第二特征执行的第二操作。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，过程1000包括对经压缩数据集执行重塑操作。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，经压缩数据集的特征集包括以下一者或多者：空间特征、或者抽头域特征。

在第十方面，单独地或与第一至第九方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括以下一者或多者：特征解压缩操作、时间特征重构操作、或者空间特征重构操作。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，该一个或多个解压缩操作和重构操作包括针对与第一设备相关联的一个或多个特征执行的第一特征重构操作、以及针对与第二设备相关联的一个或多个特征执行的第二特征重构操作。

尽管图10示出了过程1000的示例框，但在一些方面，过程1000可包括与图10中所描绘的框相比附加的框、较少的框、不同的框或不同地布置的框。附加地或替换地，过程1000的两个或更多个框可并行执行。

在一些方面，CSF的所报告参数可被编码在上行链路控制信息(UCI)中，并且被映射到物理上行链路共享信道(PUSCH)或物理上行链路控制信道(PUCCH)。编码设备可以使用取决于所使用的物理信道或CSF的频率粒度中的一者或多者而不同的编码格式。可以至少部分地基于CSI的有效载荷大小来使用不同的编码方案，该有效载荷大小可以随着CSI参考信号资源指示符(CRI)和秩索引(RI)的选择而变化。例如，针对预编码矩阵指示符(PMI)报告的码本大小可以针对不同的秩而有所不同。例如，码本大小可针对类型II CSI报告和子带PMI报告而显著地变化。附加地，一个码字可被用于至高达秩4的RI，而两个码字可被用于更高的秩。此外，CSF中所包括的信道质量指示符(CQI)参数的数目(其可以针对每个码字来报告)可以取决于对秩的选择而变化。

对于以宽带频率粒度映射到PUCCH的CSF消息，PMI和/或CQI有效载荷的变化(其取决于所选择的秩)可以小到可使用UCI中所有CSI参数的单个分组编码。解码设备可能需要知晓UCI的有效载荷大小以尝试解码传输，因此可以用与最大UCI有效载荷大小(例如，对应于需要最大PMI和/或CQI开销的RI)和CSF的实际有效载荷大小之间的差异相对应的数个虚设比特来填充UCI。这固定了CSF消息的有效载荷大小，而与RI选择无关。然而，对于具有子带频率粒度的基于PUCCH的CSF以及基于PUSCH的CSF，总是将CSI报告填充成最坏情形UCI有效载荷大小可能以不必要的大开销消耗网络资源。

如本文所描述的，CSF消息可以被划分成多个部分(例如，多部分CSF消息)。第一部分可具有固定的有效载荷大小，并且可以由解码设备依赖于该固定的有效载荷大小来解码。第一部分可以指示第二部分的大小，该第二部分可具有可变的有效载荷大小。解码设备可以首先解码第一部分以获得CSF中的CSI参数子集，并且基于这些CSI参数，解码设备可以确定第二部分的有效载荷大小。解码设备随后可以解码第二部分以获得CSF消息的其余CSI参数。

对于具有类型I CSF的基于PUCCH的子带CSF消息和基于PUSCH的CSF消息，多部分CSF消息的第一部分可包括针对第一码字的对RI(如果报告的话)、CRI(如果报告的话)、CQI等的指示。当RI大于4时，多部分CSF消息的第二部分可包括针对第二码字的对PMI、CQI的指示等。

对于具有类型II CSF的基于PUSCH的CSF消息，多部分CSF的第一部分还可包括对每层的非零宽带幅度系数的数目的指示。非零宽带幅度系数可以是类型II码本的一部分，并且取决于系数是否为零，PMI有效载荷大小可以不同。

至少部分地基于编码设备传送如本文所描述的多部分CSF消息，编码设备可以节省原本会被用于传送具有固定大小的CSF消息的网络资源，该固定大小至少部分地基于CSF消息的最大可能大小。

图11是解说根据本公开的基于多部分神经网络的信道状态信息反馈的示例1100的示图。如图11中所示，编码设备(例如，UE 120、基站、传送接收点(TRP)、网络设备、近地轨道(LEO)卫星、中地轨道(MEO)卫星、对地静止轨道(GEO)卫星、高椭圆轨道(HEO)卫星等)可与解码设备(例如，基站110、UE 120、服务器、TRP、网络实体等)进行通信(例如，传送上行链路传输和/或接收下行链路传输)。编码设备和解码设备可以是无线网络(例如，无线网络100)的部分。

如由附图标记1105所示，解码设备可传送配置信息，并且编码设备可接收配置信息。在一些方面，编码设备可以从另一设备(例如，从基站、UE等等)、通信标准等接收配置信息。在一些方面，编码设备可经由无线电资源控制(RRC)信令、媒体接入控制(MAC)信令(例如，MAC控制元素(MAC CE))等中的一者或多者来接收配置信息。在一些方面，配置信息可包括对由编码设备进行选择的一个或多个配置参数(例如，编码设备已经知晓的)、供编码设备用于对编码设备进行配置的显式配置信息等等的指示。

在一些方面，配置信息可以指示编码设备将传送基于多部分神经网络的CSF消息。在一些方面，配置信息可以指示编码设备将传送对用于生成基于多部分神经网络的CSF消息的权重的指示。

在一些方面，配置信息可以指示编码设备将至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。在一些方面，配置信息可以指示编码设备将至少部分地基于确定要延迟传送CSF的低优先级部分、确定要丢弃CSF的低优先级部分等来确定CSF的该部分。

在一些方面，配置信息可以指示编码设备将执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。在一些方面，配置信息可以指示编码设备将至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对权重的差分编码。

在一些方面，配置信息可以指示编码设备将生成一个或多个附加的基于多部分神经网络的CSF消息以携带CSF的一个或多个部分。在一些方面，配置信息可以指示编码设备将至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对权重的差分编码。

如由附图标记1110所示，编码设备可以对该编码设备进行配置，以与解码设备进行通信。在一些方面，编码设备可以至少部分地基于配置信息来对该编码设备进行配置。在一些方面，编码设备可被配置成执行本文所描述的一个或多个操作。

如由附图标记1115所示，编码设备可接收一个或多个参考信号。在一些方面，编码设备可以从解码设备或一个或多个附加设备接收一个或多个参考信号。例如，编码设备可以接收该一个或多个参考信号作为波束管理过程的一部分。该一个或多个参考信号可包括CSI参考信号、同步信号块等。

如附图标记1120所示，编码设备可以传送对用于生成一个或多个基于多部分神经网络(NN)的CSF消息的权重的指示。在一些方面，编码设备可以经由周期性信令、非周期性信令、半持久信令等来传送对权重的指示。

在一些方面，编码设备可以经由多部分指示来传送对权重的指示，该多部分指示包括指示第二指示部分的内容的第一指示部分。

在一些方面，第一指示部分可以指示在第二指示部分中报告权重的层(例如，神经网络中的层数(及其索引))；在第二指示部分中报告权重的层的排名(例如，以重要性的降序报告层的排序)等。在一些方面中，第一指示部分可以指示在第二指示部分中报告权重的层的权重在第二指示部分内的位置(例如，每层中权重系数的开始和结束位置，以连同系数索引且在每个系数内的重要性的降序，从最高有效位到最低有效位的比特顺序等)。在一些方面中，第一指示部分可以指示在第二指示部分中权重是以行顺序还是以列顺序呈现；在第二指示部分中报告权重的层的内核尺寸；在第二指示部分中报告权重的层的隐藏权重和单元状态权重在神经网络内的位置等。

在一些方面，第二指示部分可以指示用于生成基于多部分神经网络的CSF消息的一个或多个权重。在一些方面，对该一个或多个权重的指示可以至少部分地基于该一个或多个权重的相关性来进行排序。

如附图标记1125所示，编码设备可以确定用于传送基于多部分神经网络的CSF消息的资源是否足以传送完整的CSF消息。在一些方面，编码设备可至少部分地基于确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告来执行一个或多个操作(例如，至少部分地基于配置信息)。在一些方面，编码设备可至少部分地基于配置信息来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。例如，编码设备可以确定要延迟传送CSF的低优先级部分(例如，低优先级部分可具有与先前报告的权重具有低方差的权重)，丢弃CSF的低优先级部分等。

在一些方面，编码设备可以至少部分地基于确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告来执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。在一些方面，编码设备可以分解CSF的完整报告并准备多个CSF消息(例如，多部分CSF消息)。

如附图标记1130所示，编码设备可以生成基于多部分神经网络的CSF消息。在一些方面，编码设备可至少部分地基于配置信息、关于用于传送基于多部分神经网络的CSF消息的资源是否足以传送完整的CSF消息的确定等来生成基于多部分神经网络的CSF消息。

在一些方面，基于多部分神经网络的CSF消息的第一部分可以指示神经网络中用于生成基于多部分神经网络的CSF消息的层的数目、神经网络中用于生成基于多部分神经网络的CSF消息的层的参数(例如，每个层的结构和/或层数)、在第二部分中报告的每层的权重数目(例如，第二部分可包含的神经网络中(例如，每层)的系数的数目)等。在一些方面，第一部分可以指示在第二部分中报告的一个或多个权重的长度(例如，如果使用比特的非均匀量化)、在第二部分中报告的权重数目、在第二部分中报告的每权重的比特数(例如，在使用比特的均匀量化的情况下)、在第二部分中报告的权重的相关性等。在一些方面，第一部分可以指示在第二部分中报告的权重的相关性。

在一些方面，基于多部分神经网络的CSF消息的第一部分可以使用隐式指示(例如，至少部分地基于第一部分的一个或多个参数)、显式指示等来指示第二部分的内容。

如附图标记1135所示，编码设备可以传送并且解码设备可以接收基于多部分神经网络的CSF消息。

如附图标记1140所示，解码设备可以根据基于多部分神经网络的CSF消息来确定CSF。在一些方面，解码设备可以执行一个或多个基于神经网络的解码操作以确定CSF。

至少部分地基于编码设备传送如本文所描述的多部分CSF消息，编码设备可以节省原本会被用于传送具有固定大小的CSF消息的网络资源，该固定大小至少部分地基于CSF消息的最大可能大小。

如以上所指示的，图11是作为示例来提供的。其他示例可不同于关于图11所描述的示例。

图12是解说根据本公开的例如由第一设备执行的示例过程1200的示图。示例过程1200是其中第一设备(例如，编码设备、UE 120、图14的装置1400等等)执行与基于多部分神经网络的CSF相关联的操作的示例。

如图12所示，在一些方面，过程1200可包括生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及向第二设备传送基于多部分神经网络的CSF(框1210)。例如，第一设备(例如，使用生成组件1408)可生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分，如以上所描述的。

如图12中进一步所示，在一些方面，过程1200可包括向第二设备传送该基于多部分神经网络的CSF(框1210)。例如，第一设备(例如，使用传输组件1404)可向第二设备传送该基于多部分神经网络的CSF，如以上所描述的。

过程1200可包括附加方面，诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，第一部分指示神经网络中用于生成基于多部分神经网络的CSF消息的层的数目、在第二部分中报告的每层的权重数目、神经网络中用于生成基于多部分神经网络的CSF消息的层的参数、在第二部分中报告的一个或多个权重的长度、在第二部分中报告的权重数目、在第二部分中报告的每权重的比特数、在第二部分中报告的权重的相关性、或其组合。

在第二方面，单独地或与第一方面相结合地，第一部分使用隐式指示来指示第二部分的内容，使用显式指示来指示第二部分的内容，或使用隐式指示和显式指示来指示第二部分的内容。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，过程1200包括向第二设备传送对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

在第四方面，单独地或与第一至第三方面中的一者或多者相结合地，传送对权重的指示包括经由周期性信令来传送对权重的指示，经由非周期性信令来传送对权重的指示，或经由半持久信令来传送对权重的指示。

在第五方面，单独地或与第一至第四方面中的一者或多者相结合地，传送对权重的指示包括经由多部分指示来传送对权重的指示，该多部分指示包括指示第二指示部分的内容的第一指示部分和第二指示部分。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，第一指示部分指示在第二指示部分中报告权重的层、在第二指示部分中报告权重的层的排名、在第二指示部分中报告权重的层的权重在第二指示部分内的位置、在第二指示部分中权重是以行顺序还是以列顺序呈现、在第二指示部分中报告权重的层的内核大小、在第二指示部分中报告权重的层的隐藏权重和单元状态权重在神经网络内的位置、或其组合。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，第二指示部分包括对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，对该一个或多个权重的指示至少部分地基于该一个或多个权重的相关性被排序。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，过程1200包括确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及至少部分地基于配置信息来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。

在第十方面，单独地或与第一至第九方面中的一者或多者相结合地，确定该CSF的部分包括确定要延迟传送该CSF的低优先级部分，或确定要丢弃该CSF的低优先级部分。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，过程1200包括确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，执行对用于生成该基于多部分神经网络的CSF消息的权重的差分编码，以及将这些权重量化为减少的比特计数。

在第十二方面，单独地或与第一至第十一方面中的一者或多者相结合地，过程1200包括确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。

尽管图12示出了过程1200的示例框，但在一些方面，过程1200可包括与图12中所描绘的框相比附加的框、较少的框、不同的框或不同地布置的框。附加地或替换地，过程1200的两个或更多个框可并行执行。

图13是解说根据本公开的例如由第二设备执行的示例过程1300的示图。示例过程1300是其中第二设备(例如，解码设备、基站110、图15的装置1500等等)执行与基于多部分神经网络的CSF相关联的操作的示例。

如图13所示，在一些方面，过程1300可包括从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及至少部分地基于第一部分来确定第二部分中指示的CSF(框1310)。例如，第二设备(例如，使用接收组件1502)可从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分，如以上所描述的。

如图13中进一步所示，在一些方面，过程1300可包括至少部分地基于第一部分来确定第二部分中指示的CSF(框1310)。例如，第二设备(例如，使用接收组件1502)可至少部分地基于第一部分来确定第二部分中指示的CSF，如以上所描述的。

过程1300可包括附加方面，诸如下文和/或结合在本文中他处描述的一个或多个其他过程所描述的任何单个方面或各方面的任何组合。

在第一方面，第一部分指示神经网络中用于生成基于多部分神经网络的CSF消息的层的数目、在第二部分中报告的每层的权重数目、神经网络中用于生成基于多部分神经网络的CSF消息的层的参数、在第二部分中报告的一个或多个权重的长度、在第二部分中报告的权重数目、在第二部分中报告的每权重的比特数、在第二部分中报告的权重的相关性、或其组合。

在第二方面，单独地或与第一方面相结合地，第一部分使用隐式指示来指示第二部分的内容，使用显式指示来指示第二部分的内容，或使用隐式指示和显式指示来指示第二部分的内容。

在第三方面，单独地或与第一和第二方面中的一者或多者相结合地，过程1300包括从第一设备接收对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

在第四方面，单独地或与第一至第三方面中的一者或多者相结合地，接收对权重的指示包括经由周期性信令来接收对权重的指示，经由非周期性信令来接收对权重的指示，或经由半持久信令来接收对权重的指示。

在第五方面，单独地或与第一至第四方面中的一者或多者相结合地，接收对权重的指示包括经由多部分指示来接收对权重的指示，该多部分指示包括指示第二指示部分的内容的第一指示部分和第二指示部分。

在第六方面，单独地或与第一至第五方面中的一者或多者相结合地，第一指示部分指示在第二指示部分中报告权重的层、在第二指示部分中报告权重的层的排名、在第二指示部分中报告权重的层的权重在第二指示部分内的位置、在第二指示部分中权重是以行顺序还是以列顺序呈现、在第二指示部分中报告权重的层的内核大小、在第二指示部分中报告权重的层的隐藏权重和单元状态权重在神经网络内的位置、或其组合。

在第七方面，单独地或与第一至第六方面中的一者或多者相结合地，第二指示部分包括对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

在第八方面，单独地或与第一至第七方面中的一者或多者相结合地，对该一个或多个权重的指示至少部分地基于该一个或多个权重的相关性被排序。

在第九方面，单独地或与第一至第八方面中的一者或多者相结合地，过程1300包括传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。

在第十方面，单独地或与第一至第九方面中的一者或多者相结合地，配置信息指示至少部分地基于确定要延迟传送CSF的低优先级部分或确定要丢弃该CSF的低优先级部分来确定该CSF的该部分。

在第十一方面，单独地或与第一至第十方面中的一者或多者相结合地，过程1300包括传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。

在第十二方面，单独地或与第一至第十一方面中的一者或多者相结合地，过程1300包括传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。

尽管图13示出了过程1300的示例框，但在一些方面，过程1300可包括与图13中所描绘的框相比附加的框、较少的框、不同的框或不同地布置的框。附加地或替换地，过程1300的两个或更多个框可并行执行。

图14是用于无线通信的示例装置1400的框图。装置1400可以是编码设备，或者编码设备可包括装置1400。在一些方面，装置1400包括接收组件1402和传输组件1404，它们可以彼此处于通信(例如，经由一条或多条总线和/或一个或多个其他组件)。如所示的，装置1400可使用接收组件1402和传输组件1404来与另一装置1406(诸如UE、基站、或另一无线通信设备)进行通信。如进一步所示，装置1400可包括生成组件1408、确定组件1410、编码组件1412等。

在一些方面，装置1400可被配置成执行在本文中结合图3-8和11所描述的一个或多个操作。附加地或替换地，装置1400可被配置成执行本文中所描述的一个或多个过程(诸如图9的过程900、图12的过程1200)或其组合。在一些方面，图14中所示的装置1400和/或一个或多个组件可包括以上结合图2所描述的编码设备的一个或多个组件。附加地或替换地，图14中示出的一个或多个组件可以在以上结合图2所描述的一个或多个组件内实现。附加地或替换地，该组件集合中的一个或多个组件可以至少部分地作为存储在存储器中的软件来实现。例如，组件(或组件的一部分)可被实现为存储在非瞬态计算机可读介质中的指令或代码，并且可以由控制器或处理器执行以执行该组件的功能或操作。

接收组件1402可从装置1406接收通信(诸如参考信号、控制信息、数据通信、或其组合)。接收组件1402可以将接收到的通信提供给装置1400的一个或多个其他组件。在一些方面，接收组件1402可以对收到通信执行信号处理(诸如滤波、放大、解调、模数转换、解复用、解交织、解映射、均衡、干扰消除或解码以及其他示例)，并且可以将经处理的信号提供给装置1406的一个或多个其他组件。在一些方面，接收组件1402可包括以上结合图2所描述的编码设备的一个或多个天线、解调器、MIMO检测器、接收处理器、控制器/处理器、存储器或其组合。

传输组件1404可向装置1406传送通信(诸如参考信号、控制信息、数据通信或其组合)。在一些方面，装置1406的一个或多个其他组件可生成通信并且可将所生成的通信提供给传输组件1404以供传输至装置1406。在一些方面，传输组件1404可对所生成的通信执行信号处理(诸如滤波、放大、调制、数模转换、复用、交织、映射、或编码、等等)，并且可向装置1406传送经处理的信号。在一些方面，传输组件1404可包括以上结合图2所描述的编码设备的一个或多个天线、调制器、发射MIMO处理器、发射处理器、控制器/处理器、存储器或其组合。在一些方面，传输组件1404可以与接收组件1402共处于收发机中。

生成组件1408可生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及向第二设备传送基于多部分神经网络的CSF。生成组件1408可生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。在一些方面，生成组件1408可包括以上结合图2所描述的编码设备的一个或多个天线、解调器、MIMO检测器、接收处理器、调制器、发射MIMO处理器、发射处理器、控制器/处理器、存储器或其组合。

传输组件1404可向第二设备传送对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

确定组件1410可确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告。确定组件1410可至少部分地基于配置信息来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。确定组件1410可确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告。确定组件1410可确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告。在一些方面，确定组件1410可包括以上结合图2所描述的编码设备的控制器/处理器、存储器或其组合。

编码组件1412可执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码。编码组件1412可将这些权重量化为减少的比特计数。在一些方面，编码组件1412可包括以上结合图2所描述的编码设备的控制器/处理器、存储器或其组合。

图14中所示的组件的数目和布置是作为示例提供的。在实践中，可存在与图14中所示的那些组件相比附加的组件、较少的组件、不同的组件、或不同地布置的组件。此外，图14中所示的两个或更多个组件可被实现在单个组件内，或者图14中所示的单个组件可被实现为多个分布式组件。附加地或替换地，图14中所示的组件集(例如，一个或多个组件)可以执行被描述为由图14中所示的另一组件集执行的一个或多个功能。

图15是用于无线通信的示例装置1500的框图。装置1500可以是解码设备，或者解码设备可包括装置1500。在一些方面，装置1500包括接收组件1502和传输组件1504，它们可以彼此处于通信(例如，经由一条或多条总线和/或一个或多个其他组件)。如所示的，装置1500可使用接收组件1506和传输组件1502来与另一装置1504(诸如UE、基站、或另一无线通信设备)进行通信。如进一步示出的，装置1500可包括解码组件1508。

在一些方面，装置1500可被配置成执行在本文中结合图3-8和11所描述的一个或多个操作。附加地或替换地，装置1500可被配置成执行本文中所描述的一个或多个过程(诸如图10的过程1000、图13的过程1300)或其组合。在一些方面，图15中所示的装置1500和/或一个或多个组件可包括以上结合图2所描述的解码设备的一个或多个组件。附加地或替换地，图15中示出的一个或多个组件可以在以上结合图2所描述的一个或多个组件内实现。附加地或替换地，该组件集合中的一个或多个组件可以至少部分地作为存储在存储器中的软件来实现。例如，组件(或组件的一部分)可被实现为存储在非瞬态计算机可读介质中的指令或代码，并且可以由控制器或处理器执行以执行该组件的功能或操作。

接收组件1502可从装置1506接收通信(诸如参考信号、控制信息、数据通信、或其组合)。接收组件1502可以将接收到的通信提供给装置1500的一个或多个其他组件。在一些方面，接收组件1502可以对收到通信执行信号处理(诸如滤波、放大、解调、模数转换、解复用、解交织、解映射、均衡、干扰消除或解码以及其他示例)，并且可以将经处理的信号提供给装置1506的一个或多个其他组件。在一些方面，接收组件1502可包括以上结合图2所描述的解码设备的一个或多个天线、解调器、MIMO检测器、接收处理器、控制器/处理器、存储器或其组合。

传输组件1504可向装置1506传送通信(诸如参考信号、控制信息、数据通信或其组合)。在一些方面，装置1506的一个或多个其他组件可生成通信并且可将所生成的通信提供给传输组件1504以供传输至装置1506。在一些方面，传输组件1504可对所生成的通信执行信号处理(诸如滤波、放大、调制、数模转换、复用、交织、映射、或编码、等等)，并且可向装置1506传送经处理的信号。在一些方面，传输组件1504可包括以上结合图2所描述的解码设备的一个或多个天线、调制器、发射MIMO处理器、发射处理器、控制器/处理器、存储器或其组合。在一些方面，传输组件1504可与接收组件1502共处于收发机中。

接收组件1502可从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及至少部分地基于第一部分来确定第二部分中指示的CSF。

解码组件1508可对基于多部分神经网络的CSF进行解码。在一些方面，解码组件1508可包括以上结合图2所描述的编码设备的控制器/处理器、存储器或其组合。

接收组件1502可从第一设备接收对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

传输组件1504可以传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来确定要在基于多部分神经网络的CSF消息内报告的CSF的一部分。

传输组件1504可以传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。。

传输组件1504可以传送配置信息，该配置信息指示第一设备至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。

图15中所示的组件的数目和布置是作为示例提供的。在实践中，可存在与图15中所示的那些组件相比附加的组件、较少的组件、不同的组件、或不同地布置的组件。此外，图15中所示的两个或更多个组件可被实现在单个组件内，或者图15中所示的单个组件可被实现为多个分布式组件。附加地或替换地，图15中所示的组件集(例如，一个或多个组件)可以执行被描述为由图15中所示的另一组件集执行的一个或多个功能。

图16是解说采用处理系统1610的设备1605的硬件实现的示例1600的示图。设备1605可以是编码设备。

处理系统1610可被实现成具有由总线1615一般化地表示的总线架构。取决于处理系统1610的具体应用和整体设计约束，总线1615可包括任何数目的互连总线和桥接器。总线1615将包括一个或多个处理器和/或硬件组件(由处理器1620、所解说的组件、以及计算机可读介质/存储器1625表示)的各种电路链接在一起。总线1615还可链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路等等。

处理系统1610可耦合到收发机1630。收发机1630耦合到一个或多个天线1635。收发机1630提供用于通过传输介质与各种其他设备进行通信的装置。收发机1630从该一个或多个天线1635接收信号，从收到信号中提取信息，并将提取出的信息提供给处理系统1610(具体而言是接收组件1402)。另外，收发机1630从处理系统1610(具体而言是传输组件1404)接收信息，并至少部分地基于接收到的信息来生成将应用于该一个或多个天线1635的信号。

处理系统1610包括耦合至计算机可读介质/存储器1625的处理器1620。处理器1620负责一般性处理，包括对存储在计算机可读介质/存储器1625上的软件的执行。软件在由处理器1620执行时使处理系统1610执行本文针对任何特定设备描述的各种功能。计算机可读介质/存储器1625还可被用于存储由处理器1620在执行软件时操纵的数据。处理系统进一步包括所解说的组件中的至少一者。各组件可以是在处理器1620中运行的软件模块、驻留/存储在计算机可读介质/存储器1625中的软件模块、耦合到处理器1620的一个或多个硬件模块、或其某种组合。

在一些方面，处理系统1610可以是UE 120的组件，并且可包括存储器282和/或以下至少一者：TX MIMO处理器266、RX处理器258、和/或控制器/处理器280。在一些方面，用于无线通信的设备1605包括用于生成基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及用于向第二设备传送基于多部分神经网络的CSF的装置。前述装置可以是装置1400的前述组件和/或设备1605的处理系统1610中被配置成执行由前述装置叙述的功能的一个或多个组件。如在本文中他处所描述的，处理系统1610可包括TX MIMO处理器266、RX处理器258、和/或控制器/处理器280。在一种配置中，前述装置可以是被配置成执行本文中所叙述的功能和/或操作的TX MIMO处理器266、RX处理器258、和/或控制器/处理器280。

图16是作为示例来提供的。其他示例可以不同于结合图16所描述的示例。

图17是解说采用处理系统1710的设备1705的硬件实现的示例1700的示图。设备1705可以是解码设备。

处理系统1710可被实现成具有由总线1715一般化地表示的总线架构。取决于处理系统1710的具体应用和整体设计约束，总线1715可包括任何数目的互连总线和桥接器。总线1715将包括一个或多个处理器和/或硬件组件(由处理器1720、所解说的组件、以及计算机可读介质/存储器1725表示)的各种电路链接在一起。总线1715还可链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路等等。

处理系统1710可耦合到收发机1730。收发机1730耦合到一个或多个天线1735。收发机1730提供用于通过传输介质与各种其他设备进行通信的装置。收发机1730从该一个或多个天线1735接收信号，从收到信号中提取信息，并将提取出的信息提供给处理系统1710(具体而言是接收组件1502)。另外，收发机1730从处理系统1710(具体而言是传输组件1504)接收信息，并至少部分地基于接收到的信息来生成将应用于该一个或多个天线1735的信号。

处理系统1710包括耦合至计算机可读介质/存储器1725的处理器1720。处理器1720负责一般性处理，包括对存储在计算机可读介质/存储器1725上的软件的执行。软件在由处理器1720执行时使处理系统1710执行本文针对任何特定设备描述的各种功能。计算机可读介质/存储器1725还可被用于存储由处理器1720在执行软件时操纵的数据。处理系统进一步包括所解说的组件中的至少一者。各组件可以是在处理器1720中运行的软件模块、驻留/存储在计算机可读介质/存储器1725中的软件模块、耦合到处理器1720的一个或多个硬件模块、或其某种组合。

在一些方面，处理系统1710可以是基站110的组件，并且可包括存储器242和/或以下至少一者：TX MIMO处理器230、RX处理器238、和/或控制器/处理器240。在一些方面，用于无线通信的设备1705包括用于从第一设备接收基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分；以及用于至少部分地基于第一部分来确定第二部分中指示的CSF的装置。前述装置可以是装置1500的前述组件和/或设备1705的处理系统1710中被配置成执行由前述装置叙述的功能的一个或多个组件。如在本文中他处所描述的，处理系统1710可包括TX MIMO处理器266、RX处理器258、和/或控制器/处理器280。在一种配置中，前述装置可以是被配置成执行本文中所叙述的功能和/或操作的TX MIMO处理器266、RX处理器258、和/或控制器/处理器280。

图17是作为示例来提供的。其他示例可以不同于结合图17所描述的示例。

图18是解说用于设备1805的代码和电路系统的实现的示例1800的示图。设备1805可以是编码设备(例如，UE)。

如图18中所示，设备1805可包括用于生成多部分CSF消息的电路系统(电路系统1820)。例如，电路系统1820可以提供用于生成基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。

如图18中所示，设备1805可包括用于传送基于多部分神经网络的CSF消息的电路系统(电路系统1825)。例如，电路系统1825可以提供用于向第二设备传送基于多部分神经网络的CSF消息的装置。

如图18中所示，设备1805可包括用于传送对权重的指示的电路系统(电路系统1830)。例如，电路系统1830可以提供用于向第二设备传送对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示的装置。

如图18中所示，设备1805可包括用于确定资源的充足性的电路系统(电路系统1835)。例如，电路系统1835可以提供用于确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的装置。

电路系统1820、1825、1830和/或1835可包括以上结合图2所描述的UE的一个或多个组件，诸如发射处理器264、TX MIMO处理器266、MOD 254、DEMOD 254、MIMO检测器256、接收处理器258、天线252、控制器/处理器280、和/或存储器282。

如图18中所示，设备1805可包括存储在计算机可读介质1625中的用于生成多部分CSF消息的代码(代码1840)。例如，代码1840在由处理器1620执行时可以使设备1805生成基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。

如图18中所示，设备1805可包括存储在计算机可读介质1625中的用于传送基于多部分神经网络的CSF消息的代码(代码1845)。例如，代码1845在由处理器1620执行时可使得设备1805向第二设备传送基于多部分神经网络的CSF消息。

如图18中所示，设备1805可包括存储在计算机可读介质1625中的用于传送对权重的指示的代码(代码1850)。例如，代码1850在由处理器1620执行时可使得设备1805向第二设备传送对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

如图18中所示，设备1805可包括存储在计算机可读介质1625中的用于确定资源的充足性的代码(代码1855)。例如，代码1855在由处理器1620执行时可使得设备1805确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告。

图18是作为示例来提供的。其他示例可以不同于结合图18所描述的示例。

图19是解说用于设备1905的代码和电路系统的实现的示例1900的示图。设备1905可以是编码设备(例如，网络设备、基站、另一UE、TRP等)。

如图19中所示，设备1905可包括用于接收多部分CSF消息的电路系统(电路系统1920)。例如，电路系统1920可以提供用于从第一设备接收基于多部分神经网络的CSF消息的装置，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。

如图19中所示，设备1905可包括用于确定CSF消息中指示的CSF的电路系统(电路系统1925)。例如，电路系统1925可以提供用于至少部分地基于第一部分来确定第二部分中指示的CSF的装置。

如图19中所示，设备1905可包括用于接收对权重的指示的电路系统(电路系统1930)。例如，电路系统1930可以提供用于从第一设备接收对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示的装置。

如图19中所示，设备1905可包括用于传送配置信息的电路系统(电路系统1935)。例如，电路系统1935可以提供用于传送配置信息的装置，该配置信息指示第一设备执行本文所描述的一个或多个操作。

电路系统1920和/或1925可包括以上结合图2所描述的基站的一个或多个组件，诸如天线234、DEMOD 232、MIMO检测器236、接收处理器238、控制器/处理器240、发射处理器220、TX MIMO处理器230、MOD 232、天线234等等。

如图19中所示，设备1905可包括存储在计算机可读介质1725中的用于接收多部分CSF消息的代码(代码1940)。例如，代码1940在由处理器1720执行时可以使设备1905从第一设备接收基于多部分神经网络的CSF消息，该基于多部分神经网络的CSF消息包括指示第二部分的内容的第一部分和第二部分。

如图19中所示，设备1905可包括存储在计算机可读介质1725中的用于确定CSF消息中指示的CSF的代码(代码1945)。例如，代码1945在由处理器1720执行时可以使设备1905至少部分地基于第一部分来确定第二部分中指示的CSF。

如图19中所示，设备1905可包括存储在计算机可读介质1725中的用于接收对权重的指示的代码(代码1950)。例如，代码1950在由处理器1720执行时可使得设备1905从第一设备接收对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

如图19中所示，设备1905可包括存储在计算机可读介质1725中的用于传送配置信息的代码(代码1955)。例如，代码1955在由处理器1720执行时可以使设备1905传送配置信息，该配置信息指示第一设备执行本文所描述的一个或多个操作。

图19是作为示例来提供的。其他示例可以不同于结合图19所描述的示例。

以下提供了本公开的一些方面的概览：

方面1：一种由第一设备执行的无线通信方法，包括：生成基于多部分神经网络的信道状态信息反馈(CSF)消息，该基于多部分神经网络的CSF消息包括：指示第二部分的内容的第一部分和第二部分；以及向第二设备传送该基于多部分神经网络的CSF。

方面2：如方面1的方法，其中第一部分指示：神经网络中用于生成基于多部分神经网络的CSF消息的层的数目、在第二部分中报告的每层的权重数目、神经网络中用于生成基于多部分神经网络的CSF消息的层的参数、在第二部分中报告的一个或多个权重的长度、在第二部分中报告的权重数目、在第二部分中报告的每权重的比特数、在第二部分中报告的权重的相关性、或其组合。

方面3：如方面1-2中任一项的方法，其中第一部分：使用隐式指示来指示第二部分的内容，使用显式指示来指示第二部分的内容，或者使用隐式指示和显式指示来指示第二部分的内容。

方面4：如方面1-3中任一项的方法，进一步包括：向第二设备传送对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

方面5：如方面4的方法，其中传送对权重的指示包括：经由周期性信令来传送对权重的指示，经由非周期性信令来传送对权重的指示，或经由半持久信令来传送对权重的指示。

方面6：如方面4-5中任一项的方法，其中传送对权重的指示包括：经由多部分指示来传送对权重的指示，该多部分指示包括：指示第二指示部分的内容的第一指示部分和第二指示部分。

方面7：如方面6的方法，其中第一指示部分指示：在第二指示部分中报告权重的层、在第二指示部分中报告权重的层的排名、在第二指示部分中报告权重的层的权重在第二指示部分内的位置、在第二指示部分中权重是以行顺序还是以列顺序呈现、在第二指示部分中报告权重的层的内核大小、在第二指示部分中报告权重的层的隐藏权重和单元状态权重在神经网络内的位置、或其组合。

方面8：如方面6-7中任一项的方法，其中第二指示部分包括：对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

方面9：如方面8的方法，其中对该一个或多个权重的指示至少部分地基于该一个或多个权重的相关性被排序。

方面10：如方面1-9中任一项的方法，进一步包括：确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及至少部分地基于配置信息来确定要在该基于多部分神经网络的CSF消息内报告的CSF的一部分。

方面11：如方面10的方法，其中确定该CSF的该部分包括：确定要延迟传送该CSF的低优先级部分，或确定要丢弃该CSF的低优先级部分。

方面12：如方面1-11中任一项的方法，进一步包括：确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。

方面13：如方面1-12中任一项的方法，进一步包括：确定用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。

方面14：一种由第二设备执行的无线通信方法，包括：从第一设备接收基于多部分神经网络的信道状态信息反馈(CSF)消息，该基于多部分神经网络的CSF消息包括：指示第二部分的内容的第一部分和第二部分；以及至少部分地基于第一部分来确定第二部分中指示的CSF。

方面15：如方面14的方法，其中第一部分指示：神经网络中用于生成基于多部分神经网络的CSF消息的层的数目、在第二部分中报告的每层的权重数目、神经网络中用于生成基于多部分神经网络的CSF消息的层的参数、在第二部分中报告的一个或多个权重的长度、在第二部分中报告的权重数目、在第二部分中报告的每权重的比特数、在第二部分中报告的权重的相关性、或其组合。

方面16：如方面14-15中任一项的方法，其中第一部分使用隐式指示来指示第二部分的内容，使用显式指示来指示第二部分的内容，或使用隐式指示和显式指示来指示第二部分的内容。

方面17：如方面14-16中任一项的方法，进一步包括：从第一设备接收对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

方面18：如方面17的方法，其中接收对权重的指示包括：经由周期性信令来接收对权重的指示，经由非周期性信令来接收对权重的指示，或经由半持久信令来接收对权重的指示。

方面19：如方面17-18中任一项的方法，其中接收对权重的指示包括：经由多部分指示来接收对权重的指示，该多部分指示包括：指示第二指示部分的内容的第一指示部分和第二指示部分。

方面20：如方面19的方法，其中第一指示部分指示：在第二指示部分中报告权重的层、在第二指示部分中报告权重的层的排名、在第二指示部分中报告权重的层的权重在第二指示部分内的位置、在第二指示部分中权重是以行顺序还是以列顺序呈现、在第二指示部分中报告权重的层的内核大小、在第二指示部分中报告权重的层的隐藏权重和单元状态权重在神经网络内的位置、或其组合。

方面21：如方面19-20中任一项的方法，其中第二指示部分包括：对用于生成基于多部分神经网络的CSF消息的一个或多个权重的指示。

方面22：如方面21的方法，其中对该一个或多个权重的指示至少部分地基于该一个或多个权重的相关性被排序。

方面23：如方面14-22中任一项的方法，进一步包括：传送配置信息，该配置信息指示第一设备进行以下操作：至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来确定要在该基于多部分神经网络的CSF消息内报告的CSF的一部分。

方面24：如方面23的方法，其中该配置信息指示至少部分地基于以下操作来确定该CSF的该部分：确定要延迟传送该CSF的低优先级部分、或确定要丢弃该CSF的低优先级部分。

方面25：如方面14-24中任一项的方法，进一步包括：传送配置信息，该配置信息指示第一设备进行以下操作：至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对用于生成基于多部分神经网络的CSF消息的权重的差分编码，并且将这些权重量化为减少的比特计数。

方面26：如方面14-25中任一项的方法，进一步包括：传送配置信息，该配置信息指示第一设备进行以下操作：至少部分地基于关于用于传送基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来生成一个或多个附加的基于多部分神经网络的CSF消息以携带该CSF的一个或多个部分。

方面27：一种用于在设备处进行无线通信的装置，包括：处理器；与该处理器耦合的存储器；以及指令，这些指令存储在该存储器中并且能由该处理器执行以使得该装置执行如方面1-26中的一个或多个方面的方法。

方面28：一种用于无线通信的设备，包括存储器以及耦合至该存储器的一个或多个处理器，该一个或多个处理器被配置成执行如方面1-26中的一个或多个方面的方法。

方面29：一种用于无线通信的设备，包括用于执行如方面1-26中的一者或多者所述的方法的至少一个装置。

方面30：一种存储用于无线通信的代码的非瞬态计算机可读介质，该代码包括能由处理器执行以执行如方面1-26中的一者或多者所述的方法的指令。

方面31：一种存储用于无线通信的指令集的非瞬态计算机可读介质，该指令集包括在由设备的一个或多个处理器执行时使该设备执行如方面1-26中的一者或多者所述的方法的一条或多条指令。

前述公开提供了解说和描述，但不旨在穷举或将各方面限于所公开的精确形式。修改和变体可以鉴于以上公开内容来作出或者可通过实践各方面来获得。

如本文所使用的，可以使用术语“第一”设备和“第二”设备来将一个设备与另一设备区分开。术语“第一”和“第二”可旨在被宽泛地解释，而不指示设备的次序、设备的相对位置、或设备之间的通信的操作性能的次序。

如本文中所使用的，术语“组件”旨在被宽泛地解释为硬件和/或硬件和软件的组合。“软件”应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、和/或函数等，无论其是用软件、固件、中间件、微代码、硬件描述语言还是其他术语来述及皆是如此。如本文所使用的，处理器用硬件、和/或硬件和软件的组合实现。本文中所描述的系统和/或方法可以按硬件、和/或硬件和软件的组合的不同形式来实现将会是显而易见的。用于实现这些系统和/或方法的实际的专用控制硬件或软件代码不限制各方面。由此，这些系统和/或方法的操作和行为在本文中在不参照特定软件代码的情况下描述——理解到，软件和硬件可被设计成至少部分地基于本文的描述来实现这些系统和/或方法。

如本文中所使用的，取决于上下文，满足阈值可指值大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值、等等。

尽管在权利要求书中叙述和/或在说明书中公开了特定特征组合，但这些组合不旨在限制各个方面的公开。事实上，许多这些特征可以按权利要求书中未专门叙述和/或说明书中未公开的方式组合。尽管以下列出的每一项从属权利要求可以直接从属于仅仅一项权利要求，但各个方面的公开包括每一项从属权利要求与这组权利要求中的每一项其他权利要求相组合。如本文中所使用的，引述一列项目“中的至少一者”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、和a-b-c，以及具有多重相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c、和c-c-c，或者a、b和c的任何其他排序)。

本文所使用的元素、动作或指令不应被解释为关键或必要的，除非被明确描述为这样。而且，如本文所使用的，冠词“一”和“某一”旨在包括一个或多个项目，并且可以与“一个或多个”互换地使用。此外，如本文所使用的，冠词“该”旨在包括结合冠词“该”来引用的一个或多个项目，并且可与“一个或多个”可互换地使用。此外，如本文中使用的，术语“集(集合)”和“群”旨在包括一个或多个项目(例如，相关项、非相关项、或者相关项和非相关项的组合)，并且可以与“一个或多个”可互换地使用。在旨在仅有一个项目的场合，使用短语“仅一个”或类似语言。而且，如本文所使用的，术语“具有”、“含有”、“包含”等旨在是开放性术语。此外，短语“基于”旨在意指“至少部分地基于”，除非另外明确陈述。而且，如本文中所使用的，术语“或”在序列中使用时旨在是包括性的，并且可与“和/或”互换地使用，除非另外明确陈述(例如，在与“中的任一者”或“中的仅一者”结合使用的情况下)。

Claims (30)

1.一种用于无线通信的第一设备，包括：

存储器；以及

耦合至所述存储器的一个或多个处理器，所述存储器和所述一个或多个处理器被配置成：

生成基于多部分神经网络的信道状态信息反馈(CSF)消息，所述基于多部分神经网络的CSF消息包括：

指示第二部分的内容的第一部分，以及

所述第二部分；以及

向第二设备传送所述基于多部分神经网络的CSF。

2.如权利要求1所述的第一设备，其中所述第一部分指示：

神经网络中用于生成所述基于多部分神经网络的CSF消息的层的数目，

在所述第二部分中报告的每层的权重数目，

所述神经网络中用于生成所述基于多部分神经网络的CSF消息的层的参数，

在所述第二部分中报告的一个或多个权重的长度，

在所述第二部分中报告的权重数目，

在所述第二部分中报告的每权重的比特数，

在所述第二部分中报告的权重的相关性，或者

其组合。

3.如权利要求1所述的第一设备，其中所述第一部分：

使用隐式指示来指示所述第二部分的内容，

使用显式指示来指示所述第二部分的内容，或

使用隐式指示和显式指示来指示所述第二部分的内容。

4.如权利要求1所述的第一设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

向所述第二设备传送对用于生成所述基于多部分神经网络的CSF消息的一个或多个权重的指示。

5.如权利要求4所述的第一设备，其中所述存储器和所述一个或多个处理器在传送对所述权重的所述指示时被配置成：

经由周期性信令来传送对所述权重的所述指示，

经由非周期性信令来传送对所述权重的所述指示，或者

经由半持久信令来传送对所述权重的所述指示。

6.如权利要求4所述的第一设备，其中所述存储器和所述一个或多个处理器在传送对所述权重的所述指示时被配置成：

经由多部分指示来传送对所述权重的所述指示，所述多部分指示包括：

指示第二指示部分的内容的第一指示部分，以及

所述第二指示部分。

7.如权利要求6所述的第一设备，其中所述第一指示部分指示：

在所述第二指示部分中报告权重的层，

在所述第二指示部分中报告权重的所述层的排名，

在所述第二指示部分中报告权重的所述层的权重在所述第二指示部分内的位置，

在所述第二指示部分中权重是以行顺序还是以列顺序呈现，

在所述第二指示部分中报告权重的层的内核大小，

在所述第二指示部分中报告权重的所述层的隐藏权重和单元状态权重在神经网络内的位置，或者

其组合。

8.如权利要求6所述的第一设备，其中所述第二指示部分包括：

对用于生成所述基于多部分神经网络的CSF消息的一个或多个权重的指示。

9.如权利要求8所述的第一设备，其中对所述一个或多个权重的所述指示至少部分地基于所述一个或多个权重的相关性被排序。

10.如权利要求1所述的第一设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

确定用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及

至少部分地基于配置信息来确定要在所述基于多部分神经网络的CSF消息内报告的所述CSF的一部分。

11.如权利要求10所述的第一设备，其中所述存储器和所述一个或多个处理器在确定所述CSF的所述部分时被配置成：

确定要延迟传送所述CSF的低优先级部分，或者

确定要丢弃所述CSF的低优先级部分。

12.如权利要求1所述的第一设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

确定用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，

执行对用于生成所述基于多部分神经网络的CSF消息的权重的差分编码，以及

将所述权重量化为减少的比特计数。

13.如权利要求1所述的第一设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

确定用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告，以及

生成一个或多个附加的基于多部分神经网络的CSF消息以携带所述CSF的一个或多个部分。

14.一种用于无线通信的第二设备，包括：

存储器；以及

耦合至所述存储器的一个或多个处理器，所述存储器和所述一个或多个处理器被配置成：

从第一设备接收基于多部分神经网络的信道状态信息反馈(CSF)消息，所述基于多部分神经网络的CSF消息包括：

指示第二部分的内容的第一部分，以及

所述第二部分；以及

至少部分地基于所述第一部分来确定所述第二部分中指示的CSF。

15.如权利要求14所述的第二设备，其中所述第一部分指示：

神经网络中用于生成所述基于多部分神经网络的CSF消息的层的数目，

在所述第二部分中报告的每层的权重数目，

所述神经网络中用于生成所述基于多部分神经网络的CSF消息的层的参数，

在所述第二部分中报告的一个或多个权重的长度，

在所述第二部分中报告的权重数目，

在所述第二部分中报告的每权重的比特数，

在所述第二部分中报告的权重的相关性，或者

其组合。

16.如权利要求14所述的第二设备，其中所述第一部分：

使用隐式指示来指示所述第二部分的内容，

使用显式指示来指示所述第二部分的内容，或

使用隐式指示和显式指示来指示所述第二部分的内容。

17.如权利要求14所述的第二设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

从所述第一设备接收对用于生成所述基于多部分神经网络的CSF消息的一个或多个权重的指示。

18.如权利要求17所述的第二设备，其中所述存储器和所述一个或多个处理器在接收对所述权重的所述指示时被配置成：

经由周期性信令来接收对所述权重的所述指示，

经由非周期性信令来接收对所述权重的所述指示，或者

经由半持久信令来接收对所述权重的所述指示。

19.如权利要求17所述的第二设备，其中所述存储器和所述一个或多个处理器在接收对所述权重的所述指示时被配置成：

经由多部分指示来接收对所述权重的所述指示，所述多部分指示包括：

指示第二指示部分的内容的第一指示部分，以及

所述第二指示部分。

20.如权利要求19所述的第二设备，其中所述第一指示部分指示：

在所述第二指示部分中报告权重的层，

在所述第二指示部分中报告权重的所述层的排名，

在所述第二指示部分中报告权重的所述层的权重在所述第二指示部分内的位置，

在所述第二指示部分中权重是以行顺序还是以列顺序呈现，

在所述第二指示部分中报告权重的层的内核大小，

在所述第二指示部分中报告权重的所述层的隐藏权重和单元状态权重在神经网络内的位置，或者

其组合。

21.如权利要求19所述的第二设备，其中所述第二指示部分包括：

对用于生成所述基于多部分神经网络的CSF消息的一个或多个权重的指示。

22.如权利要求21所述的第二设备，其中对所述一个或多个权重的所述指示至少部分地基于所述一个或多个权重的相关性被排序。

23.如权利要求14所述的第二设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

传送配置信息，所述配置信息指示所述第一设备进行以下操作：

至少部分地基于关于用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来确定要在所述基于多部分神经网络的CSF消息内报告的所述CSF的一部分。

24.如权利要求23所述的第二设备，其中所述配置信息指示至少部分地基于以下操作来确定所述CSF的所述部分：

确定要延迟传送所述CSF的低优先级部分，或者

确定要丢弃所述CSF的低优先级部分。

25.如权利要求14所述的第二设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

传送配置信息，所述配置信息指示所述第一设备进行以下操作：

至少部分地基于关于用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来执行对用于生成所述基于多部分神经网络的CSF消息的权重的差分编码，以及

将所述权重量化为减少的比特计数。

26.如权利要求14所述的第二设备，其中所述存储器和所述一个或多个处理器被进一步配置成：

传送配置信息，所述配置信息指示所述第一设备进行以下操作：

至少部分地基于关于用于传送所述基于多部分神经网络的CSF消息的资源不足以传送CSF的完整报告的确定来生成一个或多个附加的基于多部分神经网络的CSF消息以携带所述CSF的一个或多个部分。

27.一种由第一设备执行的无线通信方法，包括：

生成基于多部分神经网络的信道状态信息反馈(CSF)消息，所述基于多部分神经网络的CSF消息包括：

指示第二部分的内容的第一部分，以及

所述第二部分；以及

向第二设备传送所述基于多部分神经网络的CSF。

28.如权利要求27所述的方法，其中所述第一部分指示：

神经网络中用于生成所述基于多部分神经网络的CSF消息的层的数目，

在所述第二部分中报告的每层的权重数目，

所述神经网络中用于生成所述基于多部分神经网络的CSF消息的层的参数，

在所述第二部分中报告的一个或多个权重的长度，

在所述第二部分中报告的权重数目，

在所述第二部分中报告的每权重的比特数，

在所述第二部分中报告的权重的相关性，或者

其组合。

29.一种由第一设备执行的无线通信方法，包括：

生成基于多部分神经网络的信道状态信息反馈(CSF)消息，所述基于多部分神经网络的CSF消息包括：

指示第二部分的内容的第一部分，以及

所述第二部分；以及

向第二设备传送所述基于多部分神经网络的CSF。

30.如权利要求29所述的方法，其中所述第一部分指示：

神经网络中用于生成所述基于多部分神经网络的CSF消息的层的数目，

在所述第二部分中报告的每层的权重数目，

所述神经网络中用于生成所述基于多部分神经网络的CSF消息的层的参数，

在所述第二部分中报告的一个或多个权重的长度，

在所述第二部分中报告的权重数目，

在所述第二部分中报告的每权重的比特数，

在所述第二部分中报告的权重的相关性，或者

其组合。

Images